BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)

2011 2012

BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)

Masterproef Analyse van het verband tussen Black Carbon blootstelling en tripkarakteristieken afgeleid uit GPS-logs en dagboekjes Promotor : Prof.dr.ir Tom BELLEMANS

Philip Temmerman

Copromotor : Prof. dr. Luc INT PANIS Mevrouw Evi DONS

Masterproef voorgedragen tot het bekomen van de graad van master in de verkeerskunde , afstudeerrichting mobiliteitsmanagement

Universiteit Hasselt | Campus Diepenbeek | Agoralaan Gebouw D | BE-3590 Diepenbeek Universiteit Hasselt | Campus Hasselt | Martelarenlaan 42 | BE-3500 Hasselt

2011 2012

BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)

Masterproef Analyse van het verband tussen Black Carbon blootstelling en tripkarakteristieken afgeleid uit GPS-logs en dagboekjes Promotor : Prof.dr.ir Tom BELLEMANS

Philip Temmerman

Copromotor : Prof. dr. Luc INT PANIS Mevrouw Evi DONS

Masterproef voorgedragen tot het bekomen van de graad van master in de verkeerskunde , afstudeerrichting mobiliteitsmanagement

Voorwoord

Voorwoord Dit proefschrift vormt de afsluiting van mijn masteropleiding Verkeerskunde. Bij het verwezenlijken ervan kon ik rekenen op de hulp van een aantal personen. Ik wil dit voorwoord dan ook gebruiken om hen te bedanken. Eerst en vooral had ik deze opdracht niet tot een goed einde kunnen brengen zonder de kennis die ons is bijgebracht door onze professoren en hun assistenten gedurende de voorbije jaren. Uiteraard gaat mijn dank ook uit naar Tom Bellemans (promotor), Luc Int Panis (copromotor) en Evi Dons (begeleider). Zij hebben mij altijd bijgestaan met constructieve feedback en nuttige informatie. Verder wil ik Luc Int Panis nog bedanken voor het voorstellen van dit onderwerp. Ook

andere

medewerkers

van

de

onderzoeksinstituten

VITO

en

IMOB

hebben

bijgedragen tot dit werk met het verzamelen van gegevens en raad bij statistische vraagstukken. Ik hoop u een duidelijk, interessant en bruikbaar rapport te kunnen presenteren. Philip Temmerman

I

II

Samenvatting

Samenvatting Korte periodes van blootstelling aan hoge concentraties black carbon (BC) vormen een gevaar voor de gezondheid. Deelnemen aan het verkeer is daarvan het voorbeeld bij uitstek omdat dieselmotoren een belangrijke bron zijn van BC. Daarom is het van belang om een idee te hebben van de BC-concentraties waaraan mensen worden blootgesteld als ze onderweg zijn. Het doel van dit onderzoek is dan ook een beter zicht te krijgen op variaties in BC-concentraties in transport en de blootstelling in het verkeer nauwkeuriger te voorspellen aan de hand van bijvoorbeeld de output van een AB-model. In het kader van een onderzoek door VITO en IMOB hebben 16 personen in de zomer van 2010 en 46 personen in de winter van 2010-2011 een week lang hun blootstelling aan BC gemeten en een dagboek bijgehouden van hun activiteiten en verplaatsingen. De PDA waarop de dagboekjes werden ingevuld, is uitgerust met een GPS-ontvanger en hield de coördinaten bij. De eerste stap van de gegevensverwerking bestaat uit het samenvoegen van de dagboekjes en de BC-metingen. Het motief van de verplaatsing wordt afgeleid uit de daaropvolgende activiteit of de voorafgaande activiteit als de daaropvolgende activiteit een thuisactiviteit is. Vervolgens kunnen de verplaatsingen gescheiden worden van de activiteiten. In dit onderzoek zal alleen gekeken worden naar de observaties tijdens verplaatsingen. De volgende stap is het samenvoegen van de verplaatsingsgegevens met de GPS-logs. De GPS-logs zijn niet volledig, het kan zijn dat de PDA niet aan stond, de accu leeg was of dat er geen GPS-ontvangst mogelijk was. Hierdoor zal een deel van de observaties niet voorkomen in de dataset met de toegevoegde GPS-gegevens. Bij de modi over het spoor viel ongeveer twee derde van de observaties weg. Daarom zal voor ritten met de trein, tram en metro de dataset zonder GPS-gegevens gebruikt worden. Bij de andere modi was de ontvangstkwaliteit van de GPS redelijk goed. Ongeveer twee derde van de tijd was er verbinding en de geregistreerde punten kwamen meestal goed overeen met de wegenkaart van OpenStreetMap. Voor deze modi kan dus wel de dataset gebruikt worden met GPS-gegevens. Vervolgens werden deze punten gekoppeld met een wegenkaart. Hiervoor is een kaart van het Vlaams Verkeerscentrum gebruikt die gemodelleerde verkeerintensiteiten bevat. Deze kaart is echter weinig gedetailleerd waardoor een deel van de observaties niet gekoppeld kon worden. Er is vanuit gegaan dat het geen zin heeft om de eigenschappen

III

Samenvatting van een weg toe te voegen aan de observatie indien ze (op de kaart) meer dan 30 m van elkaar liggen. De gegevens kunnen nu geanalyseerd worden volgens vervoermiddel, locatie, tijdstip, verplaatsingsmotief, snelheid of verkeersintensiteit. De voertuigen rondom de observator zijn de directe bron van de gemeten hoeveelheid BC. Hoe meer verkeer (vooral voertuigen met dieselmotor), hoe hoger de BCconcentratie. In een auto op een weg waar 2000 voertuigen per uur voorbijkomen, bedraagt de BC-concentratie ongeveer 10 µg/m³. Uit de analyse bleek dat de verkeersintensiteit duidelijk terug te vinden is in het verband tussen de gemeten BCconcentraties enerzijds en het gekozen vervoermiddel, het moment van de dag, de stedelijkheidsgraad en de wegcategorie anderzijds. Het algemeen gemiddelde gemeten in het verkeer bedraagt 4976 ng/m³. Er zijn echter duidelijke verschillen indien onderscheid gemaakt wordt naar: 

Vervoermiddel: auto 6286; bus 6567; fiets 3555; te voet 3175; tram/metro 5066; trein 2394 ng/m³



Tijdstip: spits 5791; dal 4723; weekend 3746 ng/m³



Stedelijkheidsgraad: stad 7764; voorstad 6448; platteland 5777 ng/m³



Wegcategorie: snelwegen 10640; primaire en secundaire wegen 7974; overige wegen 5845 ng/m³

Ter vergelijking: de gemiddelde BC-concentratie thuis en op het werk bedragen respectievelijk 1255 en 1068 ng/m³. De verschillen in BC tussen stedelijkheidsgraden, wegcategorieën en tijdstippen zijn veel meer uitgesproken in auto en bus dan bij langzaam verkeer. Fietsers en voetgangers zijn blijkbaar beter in staat hoge concentraties te vermijden door verkeersvrije paden en minder drukke wegen te kiezen. De concentratie is al beduidend lager als men een aantal meter van de bron is verwijderd. De verschillen in blootstelling naargelang het tijdstip en het soort weg zijn terug te vinden in de opdeling volgens verplaatsingsmotief. Veel werken dienstengerelateerde verplaatsingen

vinden

plaats tijdens de spits en

kennen

daardoor een

hogere

blootstelling dan bijvoorbeeld onderweg zijn naar ontspanningsactiviteiten of een wandeling maken.

IV

Samenvatting Het motief van de verplaatsing kan echter niet gebruikt worden om een model op te stellen. Het is immers niet direct verantwoordelijk voor de verschillen in blootstelling. Vervolgens wordt een model opgesteld waarmee BC-concentraties in het verkeer voorspeld kunnen worden. Het model is opgesplitst per vervoermiddel en heeft de vorm van

een

regressieboom.

Het

vertakt

verder

naar

tijdstip

en

vervolgens

naar

stedelijkheidsgraad. Enkel bij ritten met de auto waren er voldoende gegevens om de concentraties te bepalen op snelwegen. Het was zelfs mogelijk het model te verfijnen door de verkeersintensiteit in rekening te brengen. Bij verplaatsingen met de bus, fiets en te voet, was het enkel mogelijk onderscheid te maken tussen tijdstip en stedelijkheidsgraad. Voor verplaatsingen met de tram of metro kon er enkel opgedeeld worden naar tijdstip. Voor treinritten was zelfs dat niet mogelijk en is er enkel een algemeen gemiddelde uitgekomen. Deze modellen kunnen samen met de output van een AB-model worden gebruikt om de BC-concentratie waaraan verkeersdeelnemers worden blootgesteld te voorspellen. Trefwoorden: Black Carbon, Blootstelling, Transport, Verkeer, Model, Regressieboom

V

VI

Inhoud

Inhoud 1

Inleiding ___________________________________________________________ 1

2

Literatuurstudie ______________________________________________________ 3 2.1

Wat is black carbon? ______________________________________________ 3

2.2

Hoe wordt het gemeten? ___________________________________________ 4

2.3

Milieueffecten van black carbon ______________________________________ 6

2.4

Gezondheidseffecten van black carbon ________________________________ 7

3

Opzet van het onderzoek ______________________________________________ 9

4

Gegevensverwerking _________________________________________________ 11

5

6

7

4.1

BC-metingen ___________________________________________________ 11

4.2

Dagboekjes ____________________________________________________ 11

4.3

GPS-logs ______________________________________________________ 13

4.4

Kwaliteitscontrole GPS-logs ________________________________________ 14

Koppeling met wegenkaart ____________________________________________ 19 5.1

Wegenkaart ____________________________________________________ 19

5.2

‘Spatial join’ ____________________________________________________ 21

5.3

Controle _______________________________________________________ 24

5.4

Overzicht ______________________________________________________ 26

Analyse ___________________________________________________________ 27 6.1

Vervoermiddel __________________________________________________ 27

6.2

Locatie-eigenschappen ___________________________________________ 29

6.3

Snelheid _______________________________________________________ 33

6.4

Tijdstip ________________________________________________________ 36

6.5

Verkeersintensiteit _______________________________________________ 41

6.6

Reistijd ________________________________________________________ 43

6.7

Motief van de verplaatsing ________________________________________ 46

Model _____________________________________________________________ 51 7.1

Variabelen _____________________________________________________ 51

7.2

Methodiek _____________________________________________________ 53

VII

Inhoud 7.3

Resultaten _____________________________________________________ 55

7.3.1 Auto ________________________________________________________ 55 7.3.2 Bus _________________________________________________________ 57 7.3.3 Fiets ________________________________________________________ 57 7.3.4 Te voet ______________________________________________________ 58 7.3.5 Tram & metro _________________________________________________ 59 7.3.6 Trein ________________________________________________________ 60 8

Conclusie __________________________________________________________ 61

Bibliografie____________________________________________________________ 63 Bijlagen ______________________________________________________________ 69 Bijlage 1

Spitsfactoren CAR-model ______________________________________ 69

Bijlage 2

Wegenkaart ________________________________________________ 71

Bijlage 3

Correlatiematrices ____________________________________________ 73

Bijlage 4

Modellen ___________________________________________________ 75

VIII

Tabellen & Figuren

Tabellen & Figuren Tabel 1

Overzicht verplaatsingsmotieven. _________________________________ 12

Tabel 2

Gegevensverlies bij koppeling met GPS-logs. ________________________ 14

Tabel 3

Overzicht wegtypes en -categorieën. ______________________________ 31

Figuur 1

Elektronenmicroscoopafbeelding van black carbon. ____________________ 3

Figuur 2

Uitstoot van BC door industrie en biomassa (ng C/m² s).________________ 4

Figuur 3

Drie optische manieren om BC te meten. ____________________________ 4

Figuur 4

Meten van de koolstofcomponenten van roet. _________________________ 5

Figuur 5

Micro-aethalometer en PDA. _____________________________________ 10

Figuur 6

Visualisatie van een traject met de gemeten snelheid en BC-concentratie. _ 14

Figuur 7

Multipath effect. _______________________________________________ 15

Figuur 8

Tijdsaandeel aantal satellieten. ___________________________________ 17

Figuur 9

Wegenkaart Vlaams Verkeerscentrum. _____________________________ 20

Figuur 10 GPS tracks op wegenkaart. ______________________________________ 21 Figuur 11 Percentage van de GPS-coördinaten binnen x meter van een weg. _______ 22 Figuur 12 BC in functie van de afstand tot de weg. ____________________________ 23 Figuur 13 Afstand tot dichtstbijzijnde weg in functie van ontvangstkwaliteit. ________ 24 Figuur 14 Verkeersintensiteit in functie van tijdstip, gemiddelde van alle GPS-tracks._ 25 Figuur 15 Proces gegevensverwerking. _____________________________________ 26 Figuur 16 BC in functie van het gekozen vervoermiddel. _______________________ 28 Figuur 17 BC in functie van stedelijkheidsgraad. ______________________________ 29 Figuur 18 BC in functie van stedelijkheidsgraad en vervoermiddel. _______________ 30 Figuur 19 BC in functie van wegcategorie. __________________________________ 31 Figuur 20 BC in functie van wegcategorie en vervoermiddel. ____________________ 32 Figuur 21 BC in functie van gereden snelheid, enkel auto. ______________________ 33 Figuur 22 BC in functie van gereden snelheid, per wegcategorie, enkel auto. _______ 34 Figuur 23 Uitstoot van EC en OC in functie van de gereden snelheid. _____________ 35 Figuur 24 BC in functie van tijdstip. _______________________________________ 36 Figuur 25 BC en snelheid in functie van tijdstip, enkel auto. ____________________ 37 Figuur 26 Snelheidsverschil tussen ochtend- en avondspits, enkel auto. ___________ 38 Figuur 27 Verschil tussen spits, dal en weekend. _____________________________ 39 Figuur 28 Verschil tussen spits, dal en weekend per vervoermiddel. ______________ 40 Figuur 29 BC in functie van verkeersintensiteit. ______________________________ 41 Figuur 30 BC in functie van verkeersintensiteit, per wegcategorie, enkel auto. ______ 42 Figuur 31 BC-concentratie tijdens lange autoritten. ___________________________ 43

IX

Tabellen & Figuren Figuur 32 Wegkeuze tijdens lange autoritten. ________________________________ 44 Figuur 33 BC-concentratie en verkeersintensiteit tijdens lange autoritten.__________ 45 Figuur 34 BC in functie van verplaatsingsmotief. _____________________________ 46 Figuur 35 Verplaatsingsmotieven opgedeeld volgens wegcategorie. _______________ 47 Figuur 36 Verplaatsingsmotieven opgedeeld volgens spits, dal en weekend. ________ 48 Figuur 37 Modal split per verplaatsingsmotief. _______________________________ 49

Model 1

BC-concentratie auto (ng/m³) ____________________________________ 56

Model 2

BC-concentratie bus (ng/m³) ____________________________________ 57

Model 3

BC-concentratie fiets (ng/m³) ____________________________________ 58

Model 4

BC-concentratie te voet (ng/m³) __________________________________ 59

Model 5

BC-concentratie tram & metro (ng/m³) _____________________________ 59

Model 6

BC-concentratie trein (ng/m³) ____________________________________ 60

X

Gebruikte afkortingen

Gebruikte afkortingen AB

Activity-Based

BC

Black Carbon

CAR

Calculation of Air pollution from Road traffic

C02

Koolstofdioxide

DOS

Disk Operating System

EC

Elemental Carbon

FEATHERS

Forecasting Evolutionary Activity-Travel Environmental RepercussionS

GPS

Global Positioning System

LUR

Land Use Regression

MAAP

MultiAngle Absorption Photometry

OSM

OpenStreetMap

OC

Organic Carbon

OV

Openbaar Vervoer

PARROTS

PDA system for Activity Registration and Recording of Travel Scheduling

PDA

Personal Digital Assistant

SO2

Zwaveldioxide

VVC

Vlaams VerkeersCentrum

of

Households

and

their

XI

XII

Inleiding

1

Inleiding

Steeds vaker wordt ervan uitgegaan dat korte periodes van hoge blootstelling aan black carbon (BC) een belangrijke invloed hebben op de gezondheid (U.S. Environmental Protection Agency, 2012). Deelnemen aan het verkeer is daarvan het voorbeeld bij uitstek. Dieselmotoren zijn verantwoordelijk voor een belangrijk deel van de uitstoot van BC. Gemiddeld brengen mensen slechts 6% van hun tijd door in het verkeer maar de BCconcentraties zijn er gemiddeld 4 à 5 keer hoger dan thuis of op het werk; het gevolg is dat het verkeer verantwoordelijk is voor 21% van de persoonlijke blootstelling en 30% van de ingeademde dosis (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). In het licht van deze vaststelling wordt het interessant om een beter beeld te krijgen van de blootstelling aan BC in het verkeer. Het onderzoek in deze masterproef gaat voort op gegevens die verzameld zijn in het kader van een VITO-IMOB doctoraatswerk. Voor dat onderzoek zijn er koppels gezocht die gedurende een week hun activiteiten en verplaatsingen wilden bijhouden en tezelfdertijd de BC-concentratie wilden meten. Er is gedurende 2 periodes gemeten: in de zomer (mei – juli 2010) en in de winter (december 2010 – februari 2011). In de zomer namen 8 koppels deel aan het onderzoek en in de winter 23. Telkens heeft men dus 2 personen die thuis aan dezelfde concentraties zijn blootgesteld maar een ander activiteitenpatroon hebben. De gegevens bestaan uit: 

Dagboekjes die de respondenten hebben ingevuld. Deze bevatten activiteiten en verplaatsingen met een tijdsresolutie van 5 minuten. Dit gebeurde met een PDA die is uitgerust met specifieke software voor het ingeven van activiteiten en verplaatsingen;



BC-metingen. Deze werden elke 5 minuten opgeslagen door een micro-aethalometer die de respondenten bij hadden tijdens hun verplaatsingen en activiteiten;



GPS-logs die zijn bijgehouden door de PDA waarop de respondenten ook hun dagboekje hebben ingevuld.

Deze gegevens zijn nog niet ten volle benut. De persoonlijk blootstelling is gelinkt aan activiteitenpatronen (Dons, et al., 2011) en aan verkeersomstandigheden (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012) maar de blootstelling in het verkeer is nog niet ruimtelijk geanalyseerd. Deze verdere analyse van de BC-concentraties en

1

Inleiding activiteitenpatronen is mogelijk door ze te koppelen aan GPS-logs. Voor dit onderzoek zullen alleen de verplaatsingen gebruikt worden, niet de activiteiten. Het eerste deel van dit werk bestaat uit een literatuurstudie. Deze zal de volgende onderwerpen behandelen: 

Wat BC is en hoe het ontstaat;



Hoe BC wordt gemeten;



De gezondheidseffecten van BC;



De milieueffecten van BC.

Vervolgens worden al de gegevens geanalyseerd en worden er verklaringen gezocht voor de bevindingen. De centrale onderzoeksvraag daarbij luidt: Kan de blootstelling aan black carbon worden voorspeld aan de hand van activiteiten-gebaseerde verplaatsingsgegevens? Het uiteindelijke doel van dit onderzoek bestaat er uit tot een model te komen waarmee de blootstelling aan BC voorspeld kan worden. De input van dit model zal gezocht worden in de eigenschappen van de verplaatsingen (vervoermiddel, snelheid, tijdstip, dag,…) en eigenschappen van de locatie en/of de route (stedelijkheidsgraad, wegcategorie, verkeersintensiteit,…).

2

Literatuurstudie

2

Literatuurstudie

2.1

Wat is black carbon?

BC is een koolstofrijke aerosol (Pew Center on Global Climate Change, 2010). Een aerosol is een suspensie van vaste deeltjes of vloeistofdruppels in een gas. In dit geval gaat het om vaste deeltjes. De term ‘black carbon’ slaat op de eigenschap van het absorberen van zichtbaar licht. Het is het bestanddeel van roet dat zorgt voor de zwarte kleur. De licht-absorberende eigenschap is tevens verantwoordelijk voor de effecten van BC op het klimaat.

Figuur 1

Elektronenmicroscoopafbeelding van black carbon.

D.M. Smith, University of Denver

BC ontstaat zowel natuurlijk als door menselijke activiteiten als gevolg van een onvolledige verbranding en komt hoofdzakelijk vrij bij dieselmotoren, bosbranden en verbranding van hout, kolen en andere biomassa (Pew Center on Global Climate Change, 2010).

3

Literatuurstudie

Figuur 2

Uitstoot van BC door industrie en biomassa (ng C/m² s).

(Koch & Hansen, 2005)

Op bovenstaande kaarten is te zien dat de uitstoot van BC het hoogst is in China, ten gevolge van de industrie, en in Centraal-Afrika, waar landbouwgronden regelmatig platgebrand worden (Koch & Hansen, 2005). In West-Europa is het verkeer de grootste bron van BC (Baron, Montgomery, & Tuladhar, 2009). In totaal wordt er ongeveer 12 Tg per jaar uitgestoten (Highwood & Kinnersley, 2006).

2.2

Hoe wordt het gemeten?

Er zijn meerdere methoden om de hoeveelheid BC in de lucht te meten. De meest gebruikte methode bestaat eruit de aerosoldeeltjes op te vangen op een filter en door middel van een lichtbron en een sensor de verdonkering van die filter te meten (Petzold, et al., 2005). Dit kan op verschillende manieren:

Figuur 3

Drie optische manieren om BC te meten.

(Petzold, et al., 2005)

4

Literatuurstudie De eerste manier bestaat er uit een lichtstraal door een filter te sturen en met een sensor op te vangen. Een hogere concentratie aan BC op de filter zal ervoor zorgen dat er minder licht wordt doorgelaten. Een andere manier maakt gebruik van ongeveer dezelfde opstelling maar met de sensor aan dezelfde zijde als de lichtbron. Hier wordt de reflectie van de filter gemeten. De mate van reflectie wordt, net zoals de doorlaatbaarheid, beïnvloed door de hoeveelheid aerosoldeeltjes die op de filter zijn terecht gekomen. De derde manier die hier wordt voorgesteld is een combinatie van de twee voorgaande. MAAP staat voor ‘multiangle absorption photometry’. De vaste meetpunten van de Vlaamse Milieumaatschappij maken gebruik van deze methode. Een nadeel van deze optische methodes is dat er een aantal correcties nodig zijn (Petzold, et al., 2005). Daarom zit er in de toestellen een tweede lichtbron en sensor. Die straal gaat door een deel van de filter die niet aan de buitenlucht wordt blootgesteld (Weingartner, et al., 2003) (J. Sandradewi, 2008). De lichtstraat door het niet-vervuilde deel van de filter dient als referentie. Een andere term die veel gebruikt wordt is ‘elemental carbon’ (EC). Het is ongeveer hetzelfde als black carbon maar aangezien de werking van de meettoestellen verschilt, wordt niet exact hetzelfde gemeten (Watson, Chow, & Chen, 2005).

Figuur 4

Meten van de koolstofcomponenten van roet.

(U.S. Environmental Protection Agency, 2012)

EC wordt thermisch gemeten, d.w.z. dat de filter waarop aerosol is verzameld achteraf volgens een bepaald hitteprotocol behandeld wordt. Het nadeel van deze methode is dat

5

Literatuurstudie er over een langere periode geaccumuleerd wordt, bv. 1 filter wordt gedurende 12 uur bemonsterd en na analyse geeft dit 1 gemiddelde concentratie voor die 12 uur. Er bestaan verschillende hitteprotocollen en afhankelijk hiervan wordt er iets meer of minder EC gemeten (Watson, Chow, & Chen, 2005). Er is nog geen internationale standaard maar daar wordt wel aan gewerkt. Voor het meten van BC bestaat er overigens

ook

nog

geen

wereldwijd

gestandaardiseerde

referentiemethode

(U.S.

Environmental Protection Agency, 2012).

2.3

Milieueffecten van black carbon

BC zorgt voor klimaatverandering omdat het zonlicht absorbeert en op die manier opwarmt. Zowel in de lucht als in sneeuw en ijs zorgt de aanwezigheid van BC voor een donkerdere kleur waardoor meer zonlicht wordt geabsorbeerd en in warmte wordt omgezet. Door dit proces is BC, na koolstofdioxide (CO2), de tweede belangrijkste oorzaak van de opwarming van het klimaat (Ramanathan & Carmichael, 2008); (Unger, et al., 2010); (Bond & Sun, 2005); (Jacobson, 2002). BC in sneeuw en ijs zorgt er altijd voor dat de sneeuw of het ijs warmer wordt dan als het er niet in zou zitten. In de lucht hangt het effect echter af van de hoogte. Dicht bij de grond zorgt de aanwezigheid van BC voor de meeste opwarming. Naarmate de hoogte toeneemt, neemt het effect af. In de stratosfeer zorgt deze aerosol zelfs voor lagere oppervlaktetemperaturen (Carnegie Institution of Washington, 2011). Op de neerslag is er een vergelijkbaar effect. In lagere luchtlagen zorgt de aanwezigheid van BC voor minder neerslag en in de hogere lagen voor meer neerslag (Carnegie Institution of Washington, 2011). Recent onderzoek toont aan dat de mate waarin BC opwarmt afhangt van de concentratie zwaveldioxide (SO2) en ook afhangt van de oorsprong van de BC (Ramana, et al., 2010). SO2 en organische aerosolen reflecteren zonlicht en gaan dus opwarming tegen. Eigenlijk is het de relatieve concentratie BC ten opzichte van de concentratie SO2 die voor de opwarming van het klimaat zorgt. De oorsprong van de BC speelt ook een rol. Zo is BC afkomstig van fossiele brandstof dubbel zo performant in het opwarmen als BC uit biomassa (Ramana, et al., 2010). Een belangrijk verschil tussen CO2 en BC is dat CO2 tientallen jaren in de atmosfeer blijft hangen nadat het uitgestoten is. BC blijft maar enkele weken aanwezig in de atmosfeer (Pew Center on Global Climate Change, 2010). Hierdoor zijn de resultaten van het terugdringen van de uitstoot van BC veel vlugger merkbaar dan die van CO2.

6

Literatuurstudie Het is zelfs zo dat een dieselwagen in grotere mate bijdraagt aan de opwarming van het klimaat dan een benzinewagen. Een dieselmotor stoot weliswaar een beetje minder CO2 dan een benzinemotor uit maar aan de andere kant veel meer BC. Het totale opwarmingspotentieel kan daardoor toch groter zijn (Kupiainen & Klimont, 2007). BC wordt ook teruggevonden ver van de bron zoals boven oceanen (Kristjánsson, 2002) en in de stratosfeer boven de polen (Baumgardner, Kok, & Raga, 2004). Het verdwijnt terug uit de atmosfeer door bezinking of sedimentatie (Highwood & Kinnersley, 2006).

2.4

Gezondheidseffecten van black carbon

Volgens de Wereldgezondheidsorganisatie “zijn verbrandings-gerelateerde aerosolen bijzonder significant inzake effecten op de gezondheid” (Health Effects Institute, 2010). Ultrafijne roetdeeltjes zoals BC kunnen zich tot diep in de longen nestelen (Borm, Schins, & Albrecht, 2004). Vanuit de longblaasjes kunnen ze in de bloedbaan terechtkomen en het bloed verdikken. Dit verhoogt de kans op de vorming van een bloedklonter (Gilmour, et al., 2004). Deze effecten zijn vooral aangetoond bij de uitstoot van dieselmotoren, die een grote bron zijn van deze ultrafijne deeltjes (Nemmar, Hoylaerts, Hoet, & Nemery, 2004). De gevolgen hiervan kunnen zich onder andere uiten in: een verstoord hartritme (Adar, et al., 2007), verhoogde kans op een beroerte, verhoogde kans op kanker en andere long-, hart- en bloedvaataandoeningen (Highwood & Kinnersley, 2006). Recent onderzoek door von Klot et al. (2011) toont aan dat de kans op een hartaanval in grote mate afhangt van de tijd die wordt doorgebracht buiten en in het verkeer. Verschillende studies tonen ook een verband tussen de blootstelling aan BC en vroegtijdig overlijden (Ostro, et al., 2010) (Janssen, et al., 2011) (Dockery & Pope, 2006).

7

8

Opzet van het onderzoek

3


Voor het onderzoek zijn er koppels gezocht die gedurende een week hun activiteiten en verplaatsingen wilden bijhouden en tezelfdertijd de concentratie aan BC wilden meten. Er is gedurende 2 periodes gemeten: in de zomer (mei – juli 2010) en in de winter (december 2010 – februari 2011). In de zomer namen 8 koppels deel aan het onderzoek en in de winter 23. Telkens heeft men dus 2 personen die thuis aan dezelfde concentraties zijn blootgesteld maar die een ander activiteitenpatroon hebben. Het bijhouden van de activiteiten en de verplaatsingen gebeurde met een PDA die uitgerust is met een GPS-antenne en met de PARROTS-applicatie. PARROTS staat voor ‘PDA system for Activity Registration and Recording of Travel Scheduling’ en is ontwikkeld door IMOB (Kochan, Bellemans, Janssens, & Timmermans, 2010). Deze applicatie start automatisch op als de PDA wordt ingeschakeld en laat de gebruiker toe op een eenvoudige manier activiteiten en verplaatsingen in te geven. De interface toont 3 knoppen: Dagboek, Vergrendelen en Uitschakelen. Bij ‘Dagboek’ krijgt men een dagkalender waarop verplaatsingen en activiteiten ingegeven kunnen worden. Dit kan alleen na afloop van 1 of meerdere activiteiten. Het is niet mogelijk om op voorhand reeds verplaatsingen of activiteiten in te geven. De knop ‘Vergrendelen’ zet het scherm uit en start de GPS-logger. De applicatie kan daarna onmiddellijk worden opgeroepen. Aan de gebruikers werd gevraagd tijdens het verplaatsen het apparaat niet uit te schakelen maar te vergrendelen. Als ze eenmaal thuis of op hun werk zijn, mag het toestel weer uit. Zo worden er geen onnodige gps-logs gegenereerd. Het kan zijn dat de gebruikers zich daar soms in hebben vergist. De GPS-tracker logt iedere seconde de coördinaten. Deze zijn niet gekoppeld aan de ingegeven verplaatsingen of activiteiten. De gebruikers moesten dus het adres ingeven van waar ze zijn geweest. Het meten van de BC-concentraties gebeurde met een draagbaar meettoestel. Zo een toestel heet een micro-aethalometer en meet de BC-concentratie in de lucht aan de hand van de eerste manier die hierboven bespreken is, de lichtdoorlaatbaarheid (Hansen, Rosen, & Novakov, 1984). Het toestel heet voluit “microAeth Model AE51”. De huidige leverancier is AethLabs (http://www.aethlabs.com/microaeth),

vroeger

was

dat

Magee

Scientific

(http://mageesci.com/products/microaeth_AE51.htm).

9


Figuur 5

Micro-aethalometer en PDA.

Het toestel is uitgerust met een pompje die een constante hoeveelheid lucht aanvoert via de luchtinlaat. De luchtaanvoer is ingesteld op 100 ml/minuut. Het toevoergaatje zit aan de linkerkant, naast de filter. De uitvoer zit aan de rechterkant, boven de aan/uitknop. Dit toestel kan meegenomen worden in hand, jaszak, rugzak en dergelijke. Er moet wel op gelet worden dat het slangetje aan de luchtinlaat naar buiten steekt en niet volledig in de tas of zak zit. Het is immers de bedoeling dat dezelfde concentraties gemeten worden als van de ingeademde lucht. Aan dit toestel hebben de respondenten niet veel werk. Er werd gevraagd om elke dag de accu op te laden en elke twee dagen de filter te vervangen (Dons, et al., 2011). De filter wordt in de gleuf aan de voorkant geschoven. Deze gleuf is afgedekt met een rubberen plaatje maar die staat, evenals het slangetje op de luchtinlaat, niet op bovenstaande foto (Figuur 5). Aan de hand van de bijhorende computersoftware kan het toestel geconfigureerd worden. De interface biedt onder andere instelmogelijkheden voor het debiet van het pompje, de tijdsresolutie van de metingen en het synchroniseren van de klok. Er is gekozen om de meting elke 5 minuten te laten plaatsvinden. De gebruikers moesten hier niets aan veranderen en hoefden het toestel niet aan te sluiten op hun PC. Het toestel is uitgerust met een geheugen van 4 MB. Dit is voldoende om de concentraties bij te houden van ongeveer een maand indien gekozen werd voor een tijdsresolutie van 5 minuten. De gebruikers hoefden zich dus niet bezig te houden met het tussentijds doorsturen van de meetresultaten.

10

Gegevensverwerking

4

Gegevensverwerking

Voor de gegevensverwerking wordt het softwarepakket SAS gebruikt.

4.1

BC-metingen

Zoals eerder vermeld, meten de aethalometers de verdonkering van de aan de buitenlucht

blootgestelde

filter

ten

opzichte

van

de

afgesloten

filter.

Deze

verdonkeringswaarde wordt dan omgezet in een concentratie uitgedrukt in nanogram per kubieke meter lucht (ng/m³). Op deze waarden werd ook een correctie toegepast om het effect van variërende achtergrondconcentraties

te

compenseren.

Als

achtergrondconcentratie

werd

het

daggemiddelde gebruikt, gemeten door een vast meetstation te Antwerpen Linkeroever, dat deel uitmaakt van het officiële meetnet van de Vlaamse Milieumaatschappij. Dit meetstation is voldoende ver verwijderd van bebouwing en verkeer. Het meetstation is van het MAAP-type. Er is ook gecorrigeerd voor toestel-specifieke afwijkingen. Alle toestellen zijn naast elkaar gelegd om te zien of ze wel dezelfde waarden geven. Eventuele verschillen zijn bijgehouden en toegepast op de metingen. Metingen met een erg beladen filter of waarbij het toestel een foutmelding gaf zijn niet meegenomen (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). De micro-aethalometer maakt databestanden aan met de meetgegevens en informatie over het toestel zoals de temperatuur en het batterijniveau. Al deze gegevens werden eerder al in 1 bestand gezet.

4.2

Dagboekjes

De PDA maakt per dag een tekstbestand aan met de activiteiten en verplaatsingen die de gebruiker heeft ingegeven. Samen met de BC-metingen, werden deze dagboekjes ook al in een groot bestand gezet met alle verzamelde gegevens van alle respondenten. In de gegevens van dit onderzoek wordt onderscheid gemaakt tussen 13 activiteiten. Het motief van de verplaatsing wordt afgeleid uit de daaropvolgende activiteit, tenzij het gaat om ‘Home-based activities’, dan wordt de activiteit die voorafgaat aan de verplaatsing genomen als verplaatsingsmotief (Janssens, Cools, Miermans, Declercq, & Wets, 2011). Het

voorspellingsraamwerk FEATHERS

(Forecasting

Evolutionary

Activity-Travel

of

11

Gegevensverwerking Households and their Environmental RepercussionS) maakt onderscheid tussen 10 verplaatsingsmotieven (Kochan, 2011). De 3 motieven die er meer waren, kwamen slechts weinig voor. Voor de betrouwbaarheid van de analyse was het beter deze onder te brengen bij andere motieven. Tabel 1

Overzicht verplaatsingsmotieven.

Dit onderzoek / PARROTS

FEATHERS

Bring/get goods/people

Bring/get

Daily shopping

Shopping(daily)

Samengevoegd bij

Eat

Other

Education

Work

Go for a ride

Touring

Home-based activities

Being at home

Leisure

Leisure

Non-daily shopping

Shopping(non-daily)

Other

Other

Service related activities

Services Home-based activities / Being at home

Sleep Social

Social visits

Work

Work

Voor dit onderzoek zijn alleen de gegevens nodig van verplaatsingen. Nadat het tripmotief bepaald werd aan de hand van de activiteiten mogen die andere activiteiten uit de dataset. De regels waar de respondenten onderweg zijn worden geselecteerd met de query “location = ‘In transport’”. Gemiddeld waren de respondenten 6% van de tijd in transport (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). Er worden ook bijkomende eigenschappen van de verplaatsingen berekend. Deze betreffen de tijd in verplaatsing, de duur van de verplaatsing en de spitsfactoren. Spitsfactoren maken het mogelijk om het uur van de dag, wat een categorische variabele is, om te zetten in een continue variabele. Op die manier kan het gemakkelijker in een model worden gebruikt. Het is een waarde per uur die aangeeft hoeveel procent van de dagintensiteit er op dat uur voorbijkomt. Het CAR-model voor Vlaanderen bevat deze waarden zowel voor zwaar verkeer als voor alle verkeer (ook bruikbaar voor licht verkeer) en dit afzonderlijk voor werkdagen, zaterdagen en zondagen (Jonkers & Vanhove, 2010). Deze tabel is te vinden in Bijlage 1.

12

Gegevensverwerking

4.3

GPS-logs

De GPS-tracker houdt een aantal gegevens bij. De meest interessante daarvan zijn de coördinaten en de snelheid. De GPS-tracker slaat deze gegevens op in allemaal kleine tekstbestandjes. Deze zijn rond de 8 kB groot en worden per dag in een map geplaatst met als naam de datum. In die map wordt nog een map gemaakt met als naam het cijfer 1. Als map ‘1’ 900 bestanden bevat, wordt er een map ‘2’ gemaakt, enzovoort. Het maximum wat op een dag voorkwam was ‘4’. Af en toe is er ook gelogd op dagen dat het niet hoefde. Dit kan het geval zijn bij het instellen van de PDA of omdat de respondenten ermee hebben leren werken. De mappen met een datum die niet binnen de week van het onderzoek vallen mogen verwijderd worden. Deze duizenden tekstbestanden mogen samengevoegd worden tot 1 bestand per persoon. Dit kan het eenvoudigst door ze alle bestanden van een persoon in 1 map te plaatsen en er 1 bestand van te maken met het DOS-commando copy *.txt. Vervolgens worden de GPS-gegevens toegevoegd aan de dagboekjes en de BC-metingen. Dat script bestaat uit verschillende secties: 

Inladen van de GPS bestanden



Uitlezen van de datum en tijd



Toekennen van bijhorende huishoudnummer en gezinslidnummer



Selecteren van de rijen met nuttige informatie en goede signaalkwaliteit



Omzetten van datum, tijd, coördinaten en snelheid in juiste formaat



Tijd omzetten naar juiste tijdzone en zomertijd/wintertijd



Gegevens toevoegen aan dagboekjes en BC-concentraties



Alle data van de personen samenvoegen tot 1 groot bestand

Er ontstaat nu een dataset met 1 regel per seconde. De snelheid en de coördinaten geregistreerd door de GPS veranderen elke seconde. De BC-concentratie verandert elke 5 minuten. Tijdens deze 5 minuten kunnen de omstandigheden veranderen waardoor de blootstelling aan BC stijgt of daalt. Omdat een deel van de verdonkering van de filter plaatsvond bij lage concentraties en een deel bij hoge concentraties, zal de uiteindelijk gemeten concentratie bij zo een overgang tussen de lage en de hoge waarde liggen. De afbeelding hieronder verduidelijkt dit.

13

Gegevensverwerking

9:40:00

9:30:00

9:50:00

Speed

Road type (cleaned) 140

10000

120 100

8000

BC (ng/m³)

Black Carbon (ng/m³) 4000-6000 6000-7000 7000-8000 8000-10000

60 4000

Road type

40

2000

Highway Secondary road Local road

Figuur 6

80 6000

0 9:30:00

20

0 9:35:00

9:40:00

9:45:00

9:50:00

9:55:00

Speed (km/h) Road type (10= highway; 20= secondary road; 30= local road)

BC 12000

10:00:00

Visualisatie van een traject met de gemeten snelheid en BC-concentratie.

De toedeling op het wegennet die hier gebruikt is wordt besproken in hoofdstuk 5.

4.4

Kwaliteitscontrole GPS-logs

Door de gegevens terug te brengen naar 1 regel per 5 minuten kan er nagegaan worden hoeveel van de ingegeven verplaatsingsgegevens verloren is gegaan bij de koppeling met de GPS data. Uiteraard worden de volledige gegevens per seconde bewaard. Deze zijn nog nodig voor de koppeling met een wegenkaart. Tabel 2

Gegevensverlies bij koppeling met GPS-logs.

Mode Car driver Car passenger Bike On foot Bus Light rail/metro Train Totaal

14

Aantal 5-min. Overgebleven 5Observaties in min. observaties na Valt weg Blijft over dagboek koppeling met GPS 3875 2734 29% 71% 975 646 34% 66% 1339 846 37% 63% 1401 800 43% 57% 204 151 26% 74% 72 28 61% 39% 677 118 83% 17% 8543 5323 38% 62%

Gegevensverwerking We zien dat iets meer dan een derde van de gegevens is weggevallen omdat er geen GPS ontvangst was of omdat de gebruikers hun PDA te laat of niet hebben aangezet. Bij verplaatsingen met de trein, tram of metro was er het grootste deel van de tijd geen GPS-verbinding. Volgens Beekhuizen et al. (2011) is er in de meeste modi weinig sprake van volledig signaalverlies, behalve in de trein, daar valt 28% van de tijd het signaal volledig weg. In dit onderzoek was dat veel meer, echter zitten hier ook menselijke fouten bij zoals het vergeten aanzetten of opladen van de PDA. Mogelijk hebben de respondenten ook gedacht dat het geen zin had om in de trein de GPS aan te hebben staan door een slechte ontvangst. Omdat meer dan de helft van de metingen in treinen, trams en metro’s niet wegvalt bij de koppeling met de GPS-logs, zullen gegevens verzameld in deze modi gebruikt worden zonder plaatsbepaling. Een van de effecten die de nauwkeurigheid van de plaatsbepaling negatief beïnvloedt is het zogenaamde ‘multipath effect’. Door reflectie kan het signaal

dat van de

navigatiesatellieten komt via verschillende wegen naar de ontvanger komen (kowoma.de, 2009). Het signaal kan reflecteren tegen gebouwen (de zogenaamde street-canyon) of tegen bergen.

Figuur 7

Multipath effect.

(kowoma.de, 2009)

Het gereflecteerde signaal doet er langer over om de ontvanger te bereiken dan het directe signaal, met afwijkingen tot gevolg. Bij hoge en dichte bebouwing kan het zijn dat enkel het gereflecteerde signaal ontvangen kan worden. In andere gevallen kan het zijn dat de GPS wisselt tussen directe en gereflecteerde signalen.

15

Gegevensverwerking Er zijn nog andere effecten die de nauwkeurigheid van GPS-signalen beïnvloeden maar die gelden altijd. De mate waarin het multipath effect een rol speelt hangt af van de omringende bebouwing en speelt dus niet bij elke modus en op elke locatie een even grote rol. In tunnels valt het GPS signaal volledig weg. We zien dat daar het tracé niet wordt gelogd. Zowel het laatste punt voor het ingaan van een tunnel als het eerste punt na het uitgaan ervan hebben nog de juiste coördinaten en een realistische snelheid. Ter controle worden de GPS-logs tijdens verplaatsingen over de weg geprojecteerd op de gedetailleerde wegenkaart van OpenStreetMap. OpenStreetMap (OSM) is een vrij bewerkbare kaart van de hele wereld. Het kan door iedereen bekeken en aangepast worden op de website http://www.openstreetmap.org/. De kaarten zijn ook per land in shapefiles te downloaden van de website http://www.geofabrik.de/. Bij een verbinding met 3 of 4 satellieten lagen de geregistreerde punten niet altijd op een weg, soms deden er zich uitschieters voor. Bij een ontvangstkwaliteit van minder dan 3 satellieten is er geen plaatsbepaling mogelijk. Er worden dan ook geen coördinaten opgeslagen. Vanaf 5 satellieten lag het pad altijd mooi op een weg. Er is dan ook besloten alleen de gegevens te koppelen met een wegenkaart als er met minstens 5 satellieten verbinding was. Het weglaten van de observaties waarbij met slechts 3 of 4 satellieten verbinding was, heeft bij de meeste modellen (Hoofdstuk 7) geleid tot een hogere determinatiecoëfficiënt. Het diagram hieronder toont hoeveel procent van de tijd er signaal was van hoeveel satellieten. De cijfers bevatten alleen het gebruik op de weg, niet in trein, tram of metro.

16

Gegevensverwerking

9 13,1%

10 3 3,6%3,6%

4 7,8% 5 11,7%

8 21,1%

6 16,3%

7 22,8%

Figuur 8

Tijdsaandeel aantal satellieten.

Het weglaten van de GPS punten waarbij verbinding was met maar 3 of 4 satellieten lijdt tot een gegevensverlies van 11,4%. Met deze filtering wordt vermeden dat punten worden toegekend aan een verkeerde weg maar zullen er ook correct toegewezen punten wegvallen.

17

18

Koppeling met wegenkaart

5


Het doel van dit onderzoek is tot een model te komen waarmee de blootstelling aan BC voorspeld kan worden aan de hand van eigenschappen van de verplaatsing en omgevingsfactoren. Om die omgevingsfactoren mee te kunnen nemen, moeten die gekoppeld worden aan de meetgegevens en GPS-logs. Voor de koppeling met een wegenkaart selecteren we enkel de verplaatsingen op de weg. Het heeft geen zin verplaatsingen per trein, tram of metro proberen te koppelen.

5.1

Wegenkaart

Hiervoor moet er vertrokken worden vanuit een wegenkaart die relevante gegevens bevat.

Na

een

vergelijking

van

enkele

kaarten,

bleek

die

van

het

Vlaams

Verkeerscentrum het meest geschikt. Deze kaart bevat per weg onder andere de volgende nuttige gegevens: 

Wegtype



Stedelijkheidsgraad



Gemiddelde snelheid



Intensiteit licht verkeer (gemodelleerd)



Intensiteit zwaar verkeer (gemodelleerd)



Intensiteit alle verkeer (gemodelleerd)

Een overzicht van de kaarteigenschappen is te vinden in Bijlage 2. Verder zijn er nog een hele reeks eigenschappen die er dubbel in staan of eigenschappen die in dit onderzoek niet nuttig zijn. Deze werden op voorhand verwijderd om de resulterende bestanden niet onnodig groot te maken.

19


Figuur 9

Wegenkaart Vlaams Verkeerscentrum.

Deze kaart heeft ook enkele beperkingen, namelijk: 

Bevat niet de kleine wegen en paden;



De polylijnen die het tracé van de wegen voorstellen zijn sterk vereenvoudigd waardoor bochten soms worden afgesneden;



Enkel Vlaanderen.

De eerste beperking kan tevens een voordeel zijn. Het ontbreken van de meeste ventwegen, landbouwwegen e.d. verkleint de kans dat een coördinaat aan de verkeerde weg wordt toegewezen. De tweede beperking heeft als gevolg dat het vereenvoudigde tracé tot 100 m naast het werkelijke tracé kan liggen. Meestal blijft de afwijking beperkt tot maximaal 30 m. Door de derde beperking is het nodig dat de ritten in Wallonië en Frankrijk niet worden meegenomen in de koppeling op basis van locatie. Deze ritten wel meenemen zou de rekentijd enorm verlengen en geen bruikbare gegevens opleveren voor deze ritten. De meest voor de hand liggende oplossing hiervoor bleek het selecteren van de gegevens boven 50,72° noorderbreedte. Hiermee gingen geen observaties in Vlaanderen verloren en werden ritten in Wallonië en Frankrijk zo goed mogelijk weggesneden.

20


Figuur 10

5.2

GPS tracks op wegenkaart.

‘Spatial join’

De koppeling zelf is gedaan met het softwarepakket ArcGIS. De functie heet ‘Spatial join’. Omdat het importeren van de dataset in tabelvorm niet lukte in ArcGIS, moest deze eerst worden opgeslagen als ‘shapefile’. Dit is gedaan met het open-source programma Quantum GIS. Bij de koppeling op basis van locatie worden de eigenschappen van de dichtstbijzijnde weg toegevoegd aan de eigenschappen van de geregistreerde coördinaten. Het GISprogramma maakt tevens een kolom ‘Distance’ aan met de afstand tussen het punt en de dichtstbijzijnde weg. De grafiek hieronder toont het aandeel van de geregistreerde coördinaten dat binnen een bepaalde afstand van een weg ligt. Ter vergelijking werd er ook gekoppeld met de kaart van OpenStreetMap.

21


100%

88%

90% 80%

74% 67%

70%

VVC 98%

99%

99%

99%

99%

79%

81%

82%

83%

75%

77%

50

60

70

80

90

100

72%

59%

60% 50%

93%

OSM 97% 96%

39%

40% 30% 20% 10% 0%

10

20

30

40

Distance to nearest road (m)

Figuur 11

Percentage van de GPS-coördinaten binnen x meter van een weg.

Geprojecteerd op de kaart van het Vlaams Verkeerscentrum, ligt twee derde van de punten op minder dan 30 m van een weg en drie vierde op minder dan 50 m. De kaart van OpenStreetMap is duidelijk veel gedetailleerder. Maar liefst driekwart van de punten vond binnen de 10 m een weg. Het verschil heeft niet enkel te maken met het detailniveau maar ook met de dekking. De kaart van OSM bevat heel België en die van het Vlaams Verkeerscentrum enkel het Vlaams Gewest. De hier gevonden afstanden bevatten zowel onnauwkeurigheden van de GPS als onnauwkeurigheden van de wegenkaart. Gezien de mogelijke afwijking tussen de kaart van het Vlaams Verkeerscentrum en het werkelijke tracé van de wegen moet er minstens een tolerantie van 30 m aanvaard worden. Bij het bepalen van de maximale afwijking moet ook het bereik van BC in acht worden genomen. BC-concentraties zijn heel plaatselijk. Een aantal meter van de weg verwijderd, is de concentratie al beduidend lager (Zhu, Hinds, Kim, Shen, & Sioutas, 2002). Volgens Zhu et al. (2002) ziet die spreiding eruit als in de onderstaande grafiek.

22


Figuur 12

BC in functie van de afstand tot de weg.

(Zhu, Hinds, Kim, Shen, & Sioutas, 2002)

In België zal, door het hoge aandeel dieselvoertuigen, de spreiding eerder in de buurt liggen van de stippellijn dan van de doorlopende lijn. Vanaf

50 m

van

de

bron

is

de

concentratie

al

nauwelijks

hoger

dan

de

achtergrondwaarde. Het zal de onderzoeksresultaten ten goede komen als de toegestane afstand tussen de GPS-coördinaten en de wegen zo klein mogelijk gehouden wordt. Punten die, op kaart, meer dan 30 m van een weg liggen zullen niet worden gebruikt voor de verdere analyse en het opstellen van de modellen. Door deze selectie zullen ook observaties wegvallen waarvoor geen weg in de buurt lag op de wegenkaart. Het zal dan vooral gaan om observaties met een lage BC-concentratie omdat de gebruikte kaart niet alle kleine wegen bevat. Hoge BC-concentraties zullen meestal wel bewaart blijven omdat alle grote wegen wel aanwezig zijn op de gebruikte kaart.

23


5.3

Controle

Er is ook gekeken naar de afstand tot de dichtstbijzijnde weg op de kaart van OSM in functie van de kwaliteit van het GPS-signaal.

Distance to nearest road on OSM (m)

50 45 40 35 30 25 20 15 10 5 0

3

4

5

6

7

8

9

10

Number of satellites

Figuur 13

Afstand tot dichtstbijzijnde weg in functie van ontvangstkwaliteit.

De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).

Wat opvalt is dat de spreiding veel smaller wordt bij een betere ontvangstkwaliteit. Na deze koppeling kan nog de momentane verkeerintensiteit berekend worden. De kaart van het Vlaams Verkeerscentrum bevat dagwaarden voor de verkeersintensiteiten, beide richtingen samengeteld. Dit zijn gemodelleerde waarden gebaseerd op metingen tijdens spitsuren. Voor dit onderzoek zou het handig zijn om de verkeersintensiteiten te kennen op het moment van de BC-meting. Dit kan benaderd worden door de dagwaarde voor de verkeersintensiteiten te vermenigvuldigen met de spitsfactoren. Ter controle van deze berekende gegevens wordt in onderstaande figuur het gemiddelde weergegeven van de verkeersintensiteiten op de wegen waarop onze respondenten zich op dat moment verplaatsten.

24


1600

Traffic flow (veh/h)

1400 1200 1000 800

600 400 200 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Hour

Figuur 14

Verkeersintensiteit in functie van tijdstip, gemiddelde van alle GPS-tracks.

Deze grafiek bevat zowel de weekdagen als het weekend. Zonder het weekend is het resultaat lichtjes anders. De verdeling in het weekend is heel verschillend maar omdat er in vergelijking tot de werkdagen veel minder ritten plaatsvinden heeft het slechts een beperkte invloed op het totaal. Het resultaat komt zeer goed overeen met wat we verwachten en met andere onderzoeken zoals dat van Gulliver & Briggs (2005). Enkel om 5 uur lijkt de voorspelde verkeersintensiteit te hoog.

25


5.4

Overzicht

Het schema hieronder toont het proces van de gegevensverwerking.

Per 5 minuten

BC-metingen

Dagboekjes

Gegevens van alle activiteiten

Verplaatsingsmotief

Gegevens van verplaatsingen

Bijkomende eigenschappen verplaatsingen

Verplaatsingen + GPS

Per seconde

Verplaatsingen over de weg

Verplaatsingen in Vlaanderen en ≥ 5 satellieten

Gegevens van verplaatsingen + wegenkaart

Verkeersintensiteiten

Gegevens binnen 30 m van een weg

Figuur 15

26

Proces gegevensverwerking.

Analyse

6

Analyse

De database bevat 7039 BC-metingen waarbij de respondenten in hun dagboekje aangaven ‘In transport’ te zijn. Bij 2577 (37%) daarvan, was er geen GPS-signaal. Zodoende blijven er 4462 metingen over, ofwel 63%, die ook kunnen gebruikt worden bij de analyses waarvoor GPS gegevens nodig zijn. Voor verplaatsingen met de trein, tram en metro zal er geen gebruik worden gemaakt van de GPS-gegevens omdat er daarbij te veel metingen wegvallen. De GPS registreerde de coördinaten en de snelheid per seconde. Dit leverde initieel ongeveer 1,3 miljoen regels op waarbij de respondenten onderweg waren. Na het selecteren van de verplaatsingen over de weg en met een signaal van ten minste 5 satellieten bleven er 1,1 miljoen regels over. Na het filteren op afstand van de weg (maximaal 30 m) en alleen de regels uit het dagboek met een BC-meting bleven er ongeveer 600 000 over. Nu zijn de gegevens volledig klaar om geanalyseerd te worden. In dit hoofdstuk worden de resultaten van die analyse besproken.

6.1

Vervoermiddel

De concentratiewaarden voor bus en auto zijn ongeveer gelijk. De gemiddelde BCconcentratie in auto’s bedraagt ongeveer 6,3 µg/m³ en bij bussen is dat 6,6 µg/m³. Bij de andere modi liggen de waarden beduidend lager. Fietsers en voetgangers maken weliswaar voor een deel gebruik van dezelfde infrastructuur als auto’s en bussen, maar kiezen meer voor rustige wegen en kleine paden. Ze kunnen drukke plaatsen mijden. Metro’s en trams hebben meestal hun eigen bedding en produceren zelf geen BC. Daardoor is de gemeten concentratie daar lager dan in auto’s en bussen. De concentratie in trams en metro’s is wel hoger dan in treinen. Dit komt omdat trams en metro’s voornamelijk in grote steden rijden en soms tussen het wegverkeer. Treinen rijden altijd op een afzonderlijke spoorbedding. De meeste treinen produceren zelf geen BC. Dieseltreinen doen dat wel, maar komen minder vaak voor. Treinen volgen elkaar ook nooit op korte afstand, dus zelfs op een niet-geëlektrificeerde lijn zou men weinig merken van de uitstoot van de voorgaande trein. Adams, et al. (2002) kwamen voor auto’s een hogere concentratie van EC uit dan voor bussen. Hun onderzoek vond plaats in Londen, waar er op veel plaatsen aparte busbanen

27

Analyse zijn. Dat zou een verklaring kunnen zijn voor dit verschil. Op busbanen rijden bussen minder achter andere voertuigen dan op gemengde rijstroken.

20000 18000

1166

189

3837

72

1161

614

Bike

Bus

Car

Light rail / metro

On foot

Train

16000

BC (ng/m³)

14000 12000 10000 8000 6000 4000 2000 0

Transport mode

Figuur 16

BC in functie van het gekozen vervoermiddel.

De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×). Bovenaan staat het aantal BC-metingen.

Wat ook opvalt is dat de metingen bij de modi op de weg log-normaal verdeeld zijn terwijl dat bij de modi op het spoor dichter aanleunt bij een standaard-normale verdeling.

28

Analyse

6.2

Locatie-eigenschappen

De GPS gegevens laten ook toe te kijken naar de locatie-eigenschappen zoals stedelijkheidsgraad en wegtype. Snelwegen vormen tevens een aparte categorie in stedelijkheidsgraad en komen overeen met de snelwegen in wegtype. Ter vergelijking: de gemiddelde BC-concentraties bij de respondenten thuis en op het werk waren respectievelijk 1255 en 1068 ng/m³ (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). 25000

BC (ng/m³)

20000

15000

10000

5000

0 Highway

Urban

Suburban

Rural

Degree of urbanisation

Figuur 17

BC in functie van stedelijkheidsgraad.


In voertuigen op snelwegen werden de hoogste BC-concentraties gemeten. Het gemiddelde ligt daar op 10,6 µg/m³. Bij ritten op landelijke wegen is de concentratie over het algemeen het laagste, met een gemiddelde van 5,8 µg/m³. Zoals Figuur 12 aangaf, doen hoge BC-concentraties zich heel plaatselijk voor. Slechts een aantal meter van de bron verwijderd, is de concentratie al beduidend lager. Fietsers en voetgangers profiteren van deze sterke daling op korte afstand. Omdat het voetpad en fietspad net naast de weg liggen, worden zwakke weggebruikers aan minder hoge dosissen blootgesteld dan automobilisten. Dat effect is te zien in Figuur 18 en Figuur 20.

29

Analyse

12000 BC (ng/m³)

10000 8000 6000 4000 2000 0

Highway

Urban

Suburban

Rural

Car

10858

9668

7244

6077

Bus

4135

8789

6423

6873

Bike

5274

4339

3772

On foot

3893

3849

3544

Degree of urbanisation

Figuur 18

BC in functie van stedelijkheidsgraad en vervoermiddel.

Op de meeste locaties werden in auto’s en bussen gelijkaardige concentraties gemeten. Op snelwegen is dit niet het geval, echter zijn er nauwelijks busritten op de snelweg gemaakt. Deze waarde is dan ook niet betrouwbaar. Fietsers en voetgangers hebben meestal gelijkaardige concentraties gemeten. Verder valt op dat in de steden de concentraties gemeten in gemotoriseerde voertuigen dubbel zo hoog zijn als die gemeten door wakke weggebruikers. Gulliver & Briggs (2004) maten in voorstedelijk gebied een gemiddeld 16% hogere PM10concentratie in auto’s dan voor voetgangers. Het aandeel van BC in PM 10 varieert maar het vormt toch een belangrijk bestanddeel (Viidanoja, et al., 2002). De stedelijkheidsgraad heeft bij automobilisten een grotere invloed op de BCconcentratie dan bij het langzaam verkeer. Vervolgens wordt er gekeken naar de invloed van het wegtype. De wegcategorieën die hier gebruikt worden zijn gebaseerd op de kolom ‘wegtype’ in de kaart van het Vlaams verkeerscentrum. Omdat 8 wegtypes te veel is om het overzichtelijk te houden, er te weinig verschil is in de kleinere wegtypes en er wegtypes zijn die in bepaalde provincies een andere code meekregen, werden ze samengenomen in 3 categorieën.

30

Analyse Tabel 3

Wegtype 1 2 3 4 5 tot 8

Overzicht wegtypes en -categorieën.

Omschrijving Snelwegen Op- en afritten Primaire en secundaire wegen Afhankelijk van provincie secundaire of tertiaire weg Tertiaire en lokale wegen

Wegcat Omschrijving 1

Snelwegen

2

Primaire en secundaire wegen In OVL bij 2; In WVL & LIM bij 3; in VLB & ANT zijn er geen Overige wegen

2 of 3 3

25000

BC (ng/m³)

20000

15000

10000

5000

0 Highways

Primary & secondary roads

Other roads

Road category

Figuur 19

BC in functie van wegcategorie.


Net zoals bij de onderverdeling naar stedelijkheidsgraad (Figuur 17), bedraagt de gemiddelde concentratie op snelwegen 10,6 µg/m³. Op primaire en secundaire wegen is dat 8 µg/m³ en op de kleinere wegen 5,8 µg/m³. Op snelwegen is de BC-concentratie bijna dubbel zo hoog als op de tertiaire wegen. Daarbij komt nog dat de kleine woonstraten

en

veldwegen

niet

zijn

opgenomen

in

de

kaart

van

het

Vlaams

Verkeerscentrum. Het ontbreken van de wegen met het minste verkeer en dus de laagste BC-concentraties overschat bijgevolg het gemiddelde van de laatste categorie.

31

Analyse

BC (ng/m³)

12000 10000 8000 6000 4000 2000 0 Highways


Other roads

Car

10851

8382

6445

Bus

4134

7847

7373

Bike

4363

4580

On foot

3329

3909

Road category

Figuur 20

BC in functie van wegcategorie en vervoermiddel.

Net zoals bij de stedelijkheidsgraad, heeft ook de wegcategorie weinig invloed op de BCblootstelling

van

fietsers

en

voetgangers.

Merkwaardig

genoeg

is

de

gemeten

concentratie door voetgangers lager op primaire en secundaire wegen dan op andere wegen. Dit zou verklaard kunnen worden door de grotere afstand tussen het gemotoriseerd verkeer en het langzaam verkeer en door het wegvallen van de observaties op wegen en paden die niet opgenomen zijn in de gebruikte kaart. De wegcategorie heeft een veel duidelijkere invloed op de BC-concentraties gemeten in auto’s en bussen. De grotere verkeersstromen op wegen van een hogere categorie leiden tot een hogere BC-concentratie. Het gemiddelde voor bussen op snelwegen is niet betrouwbaar omdat het maar over weinig observaties gaat.

32

Analyse

6.3

Snelheid

De grafiek hieronder toont het verband tussen de BC-concentratie en de gereden snelheid.

De

snelheid

is

weergegeven

in

categorieën

van

10 km/u.

Alleen

de

verplaatsingen met de auto zijn geselecteerd. Gebaseerd op 3380 metingen en bijna 500 000 bijhorende GPS-logs. 12000

BC (ng/m³)

10000 8000 6000 4000 2000 0

Speed (km/h)

Figuur 21

BC in functie van gereden snelheid, enkel auto.

De curve van de BC-concentratie in auto’s toont twee bulten. Tussen 30 en 80 km/u zijn de concentraties iets lager dan bij lagere en hogere snelheden. In een boxplot (Figuur 22) zien we dat de stijging vanaf 80 km/u zich voordoet over het hele bereik. De bult bij lage snelheden is hier minder uitgesproken. Een mogelijke verklaring voor de eerste bult is dat gemiddelde snelheden van 10 tot 30 km/u meer voorkomen op drukke momenten. De voertuigen rijden dan dichter achter elkaar en moeten meer remmen en optrekken. Deze snelheden komen ook meer voor in steden, waar meer kruispunten en verkeerslichten zijn. De bult bij hoge snelheden kan verklaard worden door het type weg en de hoeveelheid verkeer. Een gemiddelde snelheid van meer dan 90 km/u komt voor op ringwegen en snelwegen. Hier zijn de verkeersintensiteiten hoger en ook het aandeel zwaar verkeer is groter.

33

Analyse Snelheden boven 120 km/u worden doorgaans enkel gehaald als er weinig verkeer is op de snelwegen. Vandaar dat de concentratie die gemeten is bij die snelheden lager ligt. Deze veronderstellingen kunnen gecontroleerd worden door afzonderlijk naar de verschillende wegcategorieën te kijken. Als men bijvoorbeeld 50 km/u rijdt op een snelweg, is er sprake van congestie en dan zal de BC-concentratie in de lucht veel hoger zijn dan op een plaats waar men 50 km/u kan rijden in de stad. 35

30

Highways

25

25

BC (µg/m³)

BC (µg/m³)

30

20 15 10 5

10

Speed (km/h) 25

Other roads

All roads

20 BC (µg/m³)

20 BC (µg/m³)

15

0

Speed (km/h)

15 10

15 10 5

5

0

0

Speed (km/h)

Figuur 22

20

5

0

25


Speed (km/h)

BC in functie van gereden snelheid, per wegcategorie, enkel auto.

De boxplots tonen de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).

Kristensson et al. maten de uitstoot van verscheidene gassen en deeltjes in een tunnel in Stockholm, Zweden. De uitstoot van EC en ‘organic carbon’ (OC) tonen ongeveer dezelfde trend als Figuur 21.

34

Analyse

Figuur 23

Uitstoot van EC en OC in functie van de gereden snelheid.

(Kristensson, et al., 2004)

In het onderzoek van Kristensson et al. (2004) is er enkel tussen 70 en 75 km/u een lagere uitstoot gemeten, terwijl in dit onderzoek vanaf 40 km/u een lagere concentratie aan BC gemeten werd. In het onderzoek van Kristensson et al. (2004) is de uitstoot van EC en OC vanaf 85 km/u dubbel zo hoog als bij lagere snelheden. In dit onderzoek is het verschil in concentratie tussen hoge en lage snelheden veel kleiner. Dit verschil kan verklaard woorden dat de uitstoot per gereden kilometer weergegeven is, en de concentratie geen rekening houdt met de verkeersintensiteit. Volgens Issarayangyun & Greaves (2007) bestaat er een negatief verband tussen de gereden snelheid en de concentratie aan fijn stof. In dit onderzoek kan hetzelfde gezegd worden voor BC, als er naar de verschillende wegcategorieën afzonderlijk gekeken wordt. Wat vooral opvalt is de hoge concentratie bij lage snelheden op snelwegen. Als er langzamer dan 60 km/u gereden wordt op snelwegen is er sprake van congestie. De BCconcentraties zijn dan hoger omdat er veel voertuigen aanwezig zijn en men dicht achter voorliggers rijdt.

35

Analyse

6.4

Tijdstip

De hoeveelheid verkeer hangt sterk af van het moment van de dag. Dit zou ook zichtbaar moeten zijn in de gemeten BC-concentraties. Figuur 24 toont de BC-concentratie per uur van de dag. De gegevens zijn van alle transportmodi. Tussen 0 uur en 6 uur waren er onvoldoende metingen om een doorlopende grafiek te kunnen weergeven. All days

Week days

Weekend

8000 7000

BC (ng/m³)

6000 5000 4000 3000 2000 1000 0 6

7

8

9

10 11 12 13 14 15 16 17 18 19 20 21 22 23 Hour

Figuur 24

BC in functie van tijdstip.

Bovenstaande grafiek toont een hogere piek in de ochtend dan in de namiddag. Issarayangyun & Greaves (2007) maten in de ochtendspits een 25% hogere concentratie van fijn stof dan in de avondspits. Volgens hen was dat te wijten aan de grotere congestie tijdens de ochtendspits, daar de gemiddelde snelheden ook lager waren (Issarayangyun & Greaves, 2007). Ook Pakkanen et al. (2000) vonden een hogere piek in de voormiddag dan in de namiddag, maar met een nog groter verschil. Hun dagcurve op zaterdagen en zondagen bleek veel vlakker dan hier het geval is. Op deze afbeelding is ook te zien welke kleine invloed de metingen in het weekend hebben op het totaal. De gemiddelden van alle 7 dagen zijn zo goed als gelijk aan de

36

Analyse gemiddelden van de werkdagen. Enkel om 15 uur is er een groot verschil van ± 1,5 µg/m³. Dit komt door uitzonderlijk lage meetwaarden in het weekend. In dit onderzoek lijkt het verschil tussen ochtend- en avondspits minder groot. Om het goed te kunnen vergelijken wordt in onderstaande afbeelding de gemiddelde gemeten snelheid en gemiddelde BC-concentratie weergegeven, enkel van de autoritten en enkel tijdens werkdagen. BC

Speed

14000

80

12000

70

BC (ng/m³)

50

8000

40 6000

30

4000

Speed (km/h)

60

10000

20

2000

10

0

0 6

7

8

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Hour

Figuur 25

BC en snelheid in functie van tijdstip, enkel auto.

Zonder de invloed van de metingen tijdens het weekend en de andere modi, is het verschil tussen de ochtend- en avondspits groter. Een verband met snelheid valt moeilijk uit de grafiek op te maken. Tijdens de hele ochtendspits (7 tot 10 uur) is de gemiddelde snelheid zelfs hoger dan tijdens de avondspits (16 tot 19 uur). Dit komt niet door de hogere snelheid op de verschillende wegen maar door een andere routekeuze. De gemiddelde snelheid op de verschillende wegcategorieën is nagenoeg hetzelfde tijdens de ochtendspits als tijdens de avondspits.

37

Analyse

Morning peak

Afternoon peak

120

Speed (km/h)

100

95,1 96,6

80 60

54,4

40 38,4 37,7

20

49,7

32,4 32,6

0 Highways


Other roads

All roads

Road category Highways

Afternoon peak


25%

Morning peak

27%

32%

Other roads

48%

28%

39%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Figuur 26

Snelheidsverschil tussen ochtend- en avondspits, enkel auto.

De hogere gemiddelde snelheid tijdens de ochtendspits wordt niet verklaard door een hogere snelheid op sommige wegen, wel door meer snelweggebruik. Tijdens de ochtendspits wordt er gemiddeld 32% van de tijd op snelwegen gereden. Tijdens de avondspits is dat 25%. Dit verschil verklaart tevens de hogere gemiddelde BCblootstelling. Op snelwegen is die immers hoger dan op andere wegen. Zoals vermeld, wordt de spits gedefinieerd als de periode tussen 7 en 10 uur en tussen 16

en

19 uur.

Deze

afbakening

wordt

ook

gehanteerd

in

het

Onderzoek

Verplaatsingsgedrag Vlaanderen (Janssens, Cools, Miermans, Declercq, & Wets, 2011). Het uiteindelijke verschil in BC-concentratie, voor alle modi, wordt weergegeven in de figuur hieronder.

38

Analyse

20000 18000

3179

2210

1650

Peak

Off-peak

Weekend

16000

BC (ng/m³)

14000 12000

10000 8000 6000 4000 2000 0

Figuur 27

Verschil tussen spits, dal en weekend.


Zoals verwacht liggen de BC-concentraties een stuk hoger tijdens de spits dan tijdens de daluren of in het weekend, met respectievelijk 5791, 4723 en 3746 ng/m³. Terwijl de spits maar 6 uur van een dag beslaat, en alleen tijdens werkdagen, werden dan veruit de meeste metingen geregistreerd.

39

Analyse

9000 8000

BC (ng/m³)

7000 6000 5000 4000 3000 2000 1000 0 Bike

Bus

Car

Light rail / metro

On foot

Train

Peak

3709

8435

7655

6311

3480

2471

Off-peak

3778

4541

5515

4478

4146

2294

Weekend

2818

5972

4762

3517

1886

2114

Transport mode

Figuur 28

Verschil tussen spits, dal en weekend per vervoermiddel.

Fiets en te voet tonen ook hier ongeveer dezelfde BC-concentraties en de verschillen tussen piek en dal zijn kleiner dan bij de andere modi. Alleen in de trein zijn de verschillen nog kleiner en de waarden nog lager. Spoorwegen zijn dan ook het verst verwijderd van het overige verkeer. Verder valt nog de hoge concentratie in bussen tijdens het weekend op. Omdat het aantal metingen in deze categorie beperkt is, wordt het gemiddelde sterk beïnvloed door enkele hoge uitschieters gemeten gedurende een bepaalde verplaatsing.

40

Analyse

6.5

Verkeersintensiteit

De oorzaak van de grote verschillen naargelang het tijdstip, is grotendeels te zoeken in de verkeersintensiteit. Deze verschilt namelijk sterk naargelang het moment van de dag. Figuur 29 geeft de BC-concentraties weer in functie van de verkeersintensiteit. De verkeersintensiteit is weergegeven in categorieën van 500 motorvoertuigen per uur. De blootstellingsgegevens betreffen alle modi op de weg. 30000

BC (ng/m³)

25000 20000

15000 10000 5000 0


Figuur 29

BC in functie van verkeersintensiteit.


We zien een sterk verband tussen de BC-concentratie en de verkeersintensiteit. Op drukke wegen is de concentratie meer dan dubbel zo hoog als op rustige wegen. Zoals bij de snelheid, kan ook hier per wegcategorie gekeken worden naar de invloed van de verkeersintensiteit op de BC-concentratie. In onderstaande boxplots worden enkel de metingen in auto’s weergegeven. De BC waarden gemeten in andere modi dan de auto wegen door hun kleinere aantal slechts zeer beperkt op het totaal. Vandaar dat de BC-waarden gemeten in auto’s (Figuur 30) bijna gelijk zijn aan de gemiddelde waarden van alle modi (Figuur 29).

41

Analyse

30

30

Highways

25 BC (µg/m³)

BC (µg/m³)

25 20 15 10

15 10 5

0

0

25

Traffic flow (veh/h) 30

Other roads

BC (µg/m³)

15 10

20 15 10

5

5

0

0


Figuur 30

All roads

25

20 BC (µg/m³)

20

5




BC in functie van verkeersintensiteit, per wegcategorie, enkel auto.

Op snelwegen valt de hogere concentratie op bij lage verkeersintensiteiten (minder dan 500 voertuigen per uur). In deze categorie is de gemiddeld gemeten snelheid ook lager dan bij hogere verkeersintensiteiten (59 km/u tegenover 90 tot 100 km/u). Het gaat hier evenwel niet om congestie, maar om open afritten van snelwegen. Blijkbaar is de BCconcentratie relatief hoog op open afritten doordat daar hard moet worden geaccelereerd en mogelijk ook door de nabijheid van overige wegen waar ook een aanzienlijke hoeveelheid BC wordt uitgestoten. Bij de laagste intensiteitsklasse zitten ook nachtelijke snelwegritten.

42

Analyse

6.6

Reistijd

Een opvallend resultaat is de stijging van de BC-concentratie gedurende het eerste kwartier van ritten met de auto. De onderstaande grafieken tonen het eerste uur van autoritten die minstens een uur duren. Het gaat hier over 56 autoritten, waarvan er op elke moment bij minstens 29 ook goede GPS-ontvangst was. 10000 9000 8000 BC (ng/m³)

7000 6000 5000

4000 3000 2000 1000 0 0

5

10

15

20

25

30

35

40

45

50

55

Trip time (minutes)

Figuur 31

BC-concentratie tijdens lange autoritten.

Vooral het eerste kwartier van de ritten is er een stijging van de blootstelling aan BC. Bij vertrek is er een gemiddelde concentratie van 4 µg/m³ gemeten, een kwartier later is dat 9,4 µg/m³. Door onnauwkeurigheden in de dagboekjes kan het zijn dat er gedurende de eerste 5 minuten nog overlap is met de voorgaande activiteit. De eerste meting kan bijgevolg een onderschatting zijn van de werkelijke BC-concentratie in het verkeer. Volgens Fruin, Winer, & Rodes (2004) is er geen causaal verband tussen de BCconcentratie en de reistijd. De concentratie steeg onmiddellijk bij het oprijden van de snelweg en daalde onmiddellijk tot een lage waarde bij het afrijden ervan in een rustige omgeving. Er is dus geen sprake van accumulatie van deze polluent in auto’s. Er kan wel enige vertraging zitten tussen een verandering in luchtkwaliteit buiten en binnenin het voertuig. De tijd die nodig is voor het vernieuwen van de lucht in de volledige binnenruimte van een auto is afhankelijk van het type voertuig, de instelling van de ventilatie en de rijsnelheid. Het varieert van 1 uur (bij lage snelheid en ventilatie op laagste stand) tot iets meer dan 1 minuut (bij hoge snelheid en ventilatie op hoogste

43

Analyse stand). Bij een rijsnelheid van 110 km/u duurt het gemiddeld 3 minuten om de volledige binnenruimte van nieuwe lucht te voorzien (Knibbs, de Dear, & Atkinson, 2009). De stijgingen en dalingen hier zouden dus te verklaren moeten zijn aan de hand van de gekozen route. De meeste ritten vertrekken thuis, in een woonstraat met weinig verkeer, of op het werk, op bijvoorbeeld een bedrijventerrein. Na een tijdje komt men op grotere verbindingswegen en snelwegen terecht. In deze dataset zijn er maar weinig ritten die veel langer dan een uur duren. Na 3 kwartier daalt de BC-concentratie weer. Het lijkt er dus op dat de reizigers dan weer kleinere wegen nemen omdat ze bijna op hun bestemming zijn. De volgende grafiek toont het aandeel van verschillende wegcategorieën tijdens deze ritten. Highways


Other roads

100%

90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 0

5

10

15

20

25

30

35

40

45

50

55

Trip time (minutes)

Figuur 32

Wegkeuze tijdens lange autoritten.

Na een half uur rijden bevindt ruim twee derde van de automobilisten zich op de snelweg. Slechts 14% rijdt dan nog op kleine wegen. Het grootste verschil tussen deze wegcategorieën is de hoeveelheid verkeer dat er op zit. De volgende grafiek toont voor dezelfde autoritten de gemiddelde verkeersintensiteit op de wegen waarop op dat moment gereden werd.

44

Analyse

BC

Traffic flow

12000

2000

BC (ng/m³)

1600 1400

8000

1200 6000

1000 800

4000

600 400

2000


1800 10000

200 0

0

0

5

10

15

20

25

30

35

40

45

50

55

Trip time (minutes)

Figuur 33

Deze

BC-concentratie en verkeersintensiteit tijdens lange autoritten.

grafiek

insinueert

een

sterk

verband

tussen

de

BC-concentratie

en

de

verkeersintensiteit op dat moment. Alleen de kleine daling in het midden is hier niet in terug te vinden. De curve voor de BC-concentratie ziet er in Figuur 31 iets anders uit dan in de laatste grafiek omdat het in het eerste geval gaat om alle autoritten uit de dagboekjes en in het tweede geval om de autoritten met GPS-ontvangst en die zijn overgebleven na de koppeling met de wegenkaart en de daaropvolgende selectie op basis van afstand tussen de GPS-punten en de weg.

45

Analyse

6.7

Motief van de verplaatsing

Het motief van de verplaatsing staat niet in direct verband met de BC-concentratie. Het zijn de externe omstandigheden die bepalend zijn voor de blootstelling aan BC, niet de reden waarom men zich verplaatst. Toch zijn er duidelijke verschillen tussen de verschillende verplaatsingsmotieven. 20000 18000

246

394

514

465

355

415

590

129

778

3153

16000

BC (ng/m³)

14000 12000 10000 8000 6000 4000 2000

0

Trip motive

Figuur 34

BC in functie van verplaatsingsmotief.


Bovenstaande grafiek laat ons zien dat de blootstelling aan BC sterk afhankelijk is van het motief van de verplaatsing. Naar het werk gaan levert een dubbel zo hoge waarde op als bijvoorbeeld recreatieve verplaatsingen of naar huis gaan. Het is uiteraard niet het motief zelf dat voor deze verschillen verantwoordelijk is. Het verschil zit in de gekozen route, het gekozen moment en het gebruikte vervoermiddel.

46

Analyse

Highways


Other roads

100% 90% 80% 70% 60% 50% 40% 30%

20% 10% 0%

Trip motive

Figuur 35

Verplaatsingsmotieven opgedeeld volgens wegcategorie.

Ondanks dat het weekend slechts 2 van de 7 dagen beslaat, wordt de helft van socialeen ontspanningsactiviteiten tijdens het weekend ondernomen. Diensten en werken worden, op een paar procent na, bijna altijd op werkdagen gedaan. Deze verdeling is mede verantwoordelijk voor het verschil in blootstelling tijdens het onderweg zijn naar deze activiteiten.

47

Analyse

Weekend

Offpeak

Peak

100% 90% 80% 70% 60% 50% 40% 30%

20% 10% 0%

Trip motive

Figuur 36

Verplaatsingsmotieven opgedeeld volgens spits, dal en weekend.

Verplaatsingen naar het werk, naar diensten of om personen of goederen op te halen of weg te brengen gebeuren het vaakst tijdens de spits. Dit verklaart deels de hogere BCblootstelling. Verplaatsingen met doel ontspanning, vrije tijd of iemand bezoeken gebeuren meestal tijdens het weekend. De verplaatsingsmotieven ‘Social’ en ‘Non-daily shopping’ kennen een relatief hoge gemiddelde BC-blootstelling ondanks het feit dat ze vaak in het weekend voorkomen. Andere motieven die voornamelijk tijdens het weekend plaatsvinden kennen een duidelijk lagere gemiddelde BC-concentratie. Ten slotte kan ook per verplaatsingsmotief de modal split bekeken worden.

48

Analyse

Car driver

Car passenger

Bike

On foot

Bus

Light rail/metro

Train

100% 90% 80% 70% 60% 50% 40% 30%

20% 10% 0%

Trip motive

Figuur 37

Modal split per verplaatsingsmotief.

Het openbaar vervoer wordt over het algemeen weinig gekozen. Een uitzondering op dat vlak zijn werk-gerelateerde verplaatsingen. Daarvan gebeurt 15% met de trein. Bij 9 van de 10 verplaatsingsmotieven wordt voor minstens de helft van de ritten de auto genomen. Enkel ‘Go for a ride’ gebeurt meestal met de fiets en te voet. Bijna niemand doet boodschappen met het openbaar vervoer, ook voor de andere verplaatsingsmotieven speelt het openbaar vervoer slechts een beperkte rol.

49

50

Model

7

Model

De gemiddelde gemeten BC-concentratie voor alle verplaatsingen bedraagt 4976 ng/m³. Dit is gebaseerd op een set van 7039 metingen. Per mode zal een model opgesteld om de BC-concentratie nauwkeuriger te kunnen voorspellen.

7.1

Variabelen

Tot de mogelijke verklarende variabelen behoren: 

Triplengte (in minuten)



Tijd onderweg (in minuten)



Piek-dal-weekend (3 categorieën)



Spitsfactor alle verkeer (per uur in % van de dagintensiteit)



Spitsfactor zwaar verkeer (per uur in % van de dagintensiteit)



Dag van de week (7 categorieën)



Uur van de dag (24 categorieën)



Motief van de verplaatsing (10 categorieën)

Een aantal van deze parameters mogen niet gebruikt worden in een model omdat ze geen plausibel verband houden met de BC-blootstelling of omdat ze worden benaderd door andere variabelen. Er is geen wezenlijk verschil in BC-concentraties tussen de verschillende weekdagen. Tevens is er per dag gecorrigeerd voor achtergrondconcentraties. Het weekend toont wel lagere waarden, maar dat verschil kan worden opgevangen door de variabele piek-dalweekend. De triplengte en tijd onderweg kunnen ook beter niet gebruikt worden. Er is immers geen sprake van accumulatie. Tevens zou de toevoeging van de variabele ‘tijd onderweg’ de toepassing van het model gecompliceerd maken doordat er elke minuut een andere waarde bijkomt. Ook verplaatsingsmotief zal niet worden gebruikt in het model. De reden waarom een verplaatsing wordt gemaakt heeft geen invloed op de blootstelling aan vervuiling. Het speelt wel een rol in de keuze voor het moment en de route. Die elementen horen wel in het model. De verplaatsingen met modi op de weg (auto, bus, fiets en te voet) zijn gekoppeld aan een wegenkaart. Dit resulteert in de volgende bijkomende variabelen:

51

Model 

Door GPS geregistreerde snelheid (km/h)



Gemiddelde snelheid op die weg (km/h)



Intensiteit alle verkeer op die weg (mvt/dag)



Intensiteit zwaar verkeer op die weg (mvt/dag)



Intensiteit alle verkeer berekend met spitsfactor (mvt/uur)



Intensiteit zwaar verkeer berekend met spitsfactor (mvt/uur)



Provincie (5 categorieën)



Stedelijkheidsgraad (4 categorieën)



Wegcategorie (3 categorieën)

Ook hier zijn er variabelen die niet zullen worden opgenomen in de modellen. Er zal geen onderscheid gemaakt worden naargelang de provincie omdat sommige provincies ondervertegenwoordigd zijn in de verplaatsingen. Hier moet ook opgelet worden voor samenhang tussen de verschillende variabelen (multicollineariteit). Er zijn 2 soorten snelheden: door de GPS geregistreerd en de gemiddelde snelheid op die weg aangegeven door het Vlaams Verkeerscentrum. Slechts één van beide mag gebruikt worden in een model. Het verband tussen snelheid en BC-concentratie is niet continu stijgend. Hiermee moet rekening gehouden worden bij het gebruiken van de snelheid in een model. Bij het opnemen van de verkeersintensiteit in een model moet ook opgelet worden voor multicollineariteit. De verkeersintensiteit kan uitgedrukt zijn per uur of per dag en gelden voor alle verkeer of alleen voor het zwaar verkeer. Deze variabelen zijn sterk met elkaar gecorreleerd en ook met de spitsfactoren uit het CAR-model. Slechts één van deze 6 mag gebruikt worden. Het verband tussen verkeerintensiteit en BC is wel continu stijgend. Aan de hand van een correlatiematrix zal gekeken worden welke van deze mogelijkheden het meest bepalend is voor de BC-concentratie. Deze correlatiematrices zijn te vinden in Bijlage 3.

52

Model

7.2

Methodiek

De modellen werden opgesteld in SAS met de regression-procedure. Er werd gekozen voor stepwise regression. Hiervoor was het wel nodig om dummyvariabelen aan te maken voor de categorische variabelen. Met stepwise regression wordt na het toevoegen van een variabele ook geprobeerd andere variabelen die al eerder waren toegevoegd te verwijderen. Op die manier combineert het de voordelen van forward en backward regression. Deze methodiek zal gebruikt worden om de modellen op te stellen. De modeloutput van de eerste stap is te vinden in Bijlage 4. Voor de weergave van de modellen is gekozen voor een boomstructuur. Deze begint aan de linkerkant met het algemeen gemiddelde voor dat vervoermiddel. De onderverdeling wordt gemaakt volgens wat na elke stap: 

De meest significante variabele is;



De meest waarschijnlijk gekende variabele is.

Zo kan er bijvoorbeeld niet begonnen worden met de verkeersintensiteit, deze is immers meestal niet gekend. Het moment van de dag daarentegen, zal bijna altijd geweten zijn. De

boom

wordt

verder

vertakt

zolang

de

variabelen

significant

zijn

op

een

significantieniveau van 0,05 en zolang het resultaat plausibel is. Met plausibel wordt bedoeld dat er een positief verband is tussen BC en de verkeersintensiteit en dat de BCconcentratie hoger is tijdens de spitsuren dan erbuiten, en hoger is op wegen van een hogere categorie en hoger in steden dan in landelijke gebieden. Als een verdere opdeling bij slechts een minderheid van de categorieën mogelijk is, wordt het geheel weggelaten. De boomstructuur zal niet automatisch aangemaakt worden, maar handmatig. Hiermee kan bij elke stap gecontroleerd worden of de vertakking zinvol is en leidt tot een plausibele schatting. Voor elk vervoermiddel wordt er een regressieboom opgesteld. Deze begint met de onderverdeling volgens tijdstip (weekdag-spits – weekdag-dal – weekend). Om de gemiddelde BC-concentratie te meten bij deze onderverdeling kunnen alle metingen gebruikt worden. De nodige informatie (vervoermiddel en tijdstip) is immers bij elke meting

gekend.

Voor

verder

onderverdeling,

volgens

stedelijkheidsgraad,

is

locatiebepaling nodig. Dit is enkel mogelijk indien er GPS-ontvangst was. Vanaf dan wordt er overgeschakeld op de dataset waar niet alle BC-metingen inzitten en met een observatie per seconde.

53

Model De methodiek komt grotendeels overeen met die voor opstellen van een Land Use Regression (LUR) model, waarvoor volgend algoritme gebruikt wordt om het model te bouwen (Larson, Henderson, & Brauer, 2009) (Nethery, Teschke, & Brauer, 2008): 

Rangschik alle variabelen volgens hun absolute correlatie met de gemeten polluent



Bepaal de hoogst gerangschikte variabele in elke subcategorie



Elimineer de andere variabelen in elke subcategorie die gecorreleerd (Pearson’s r ≥ 0,6) zijn met de hoogst gerangschikte variabele



Stop alle overgebleven variabelen in een stapsgewijze lineaire regressie



Verwijder de variabelen met een niet-significante t-statistiek (α=0,05) en degene die in tegenspraak zijn met eerder gemaakte veronderstellingen



Herhaal stap 4 en 5 om te convergeren en verwijder de variabelen die minder dan 1% bijdragen tot de R² om tot een niet te complex model te komen

Het resulterende model heeft meestal tussen de 3 en de 6 onafhankelijke variabelen en ziet er als volgt uit: Concentratie polluent = α + β1X1 + β2X2 + β3X3 – β4X4 Met deze vergelijking kan voor elke situatie of locatie in het studiegebied snel de bijhorende concentratie berekend worden. Het uiteindelijk model ziet er in het geval van een regressieboom anders uit dan dat van een LUR-model, maar de variabelen worden op dezelfde manier geselecteerd. In dit onderzoek is er veel belang gehecht aan de bruikbaarheid van het model. Een formule, zoals bij een LUR-model, kan immers niet gebruikt worden als een van de variabelen niet gekend is. Een tweede reden om een boom te verkiezen boven een formule is dat we hier voornamelijk beschikken

over categorische

variabelen. Per categorie kunnen

de

coëfficiënten van de andere variabelen veranderen. Met vaste coëfficiënten zou het model niet de volledige variatie kunnen dekken. Er is dus gekozen voor een regressieboom die niet alleen op het einde van de takken een waarde geeft maar ook na iedere vertakking. Een voordeel van deze benadering is dat de boom niet volledig doorlopen hoeft te worden om tot een resultaat te komen. Als er bijvoorbeeld niet geweten is op welke locatie de rit plaatsvindt, kan er toch een waarde afgelezen worden. Deze waarde is dan uiteraard een minder nauwkeurige benadering dan de waarde aan het einde van een tak. Het toepassen van het model levert een gemiddelde concentratie op voor het deel van de verplaatsing waarbinnen de variabelen gelijk blijven. Als bepaalde variabelen veranderen

54

Model tijdens de verplaatsing komt men verschillende waarden na elkaar uit, waarvan een gewogen gemiddelde genomen kan worden. Bij elke modus wordt ook een algemeen gemiddelde gegeven. Aangezien de BCconcentraties log-normaal verdeeld zijn, wordt niet de standaardafwijking gegeven maar de interkwartielafstand (Q3 – Q1).

7.3

Resultaten

7.3.1 Auto De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de auto bedraagt 6286 ng/m³ (Q3 – Q1 = 5681). Dit is gebaseerd op een set van 3837 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.

55

Model

Peak 7655

Car 6286

Off-peak 5515

Weekend 4762

Model 1

Highway 11975

9637 + 1,021×INT

Urban 11200

8736 + 1,723×INT

Suburban 9112

5655 + 3,134×INT

Rural 7665

6414 + 1,407×INT

Highway 10198

6822 + 1,959×INT

Urban 8198

6147 + 2,605×INT

Suburban 6403

4175 + 3,199×INT

Rural 4794

3032 + 3,321×INT

Highway 8294

6724 + 0,622×INT

Urban 8778

7750 + 0,747×INT

Suburban 5542

2881 + 2,865×INT

Rural 4217

2589 + 2,025×INT

BC-concentratie auto (ng/m³)

‘×INT’ wil zeggen dat het getal vermenigvuldigd moet worden met de verkeersintensiteit, uitgedrukt in aantal voertuigen per uur.

Zoals vermeld, zijn de waarden bij de onderverdeling Spits-Dal-Weekend gebaseerd op alle metingen, ook die waarbij geen GPS-signaal was. Vanaf de volgende onderverdeling, volgens stedelijkheidsgraad, zijn enkel de metingen gebruikt waarbij GPS-locatie mogelijk was. Omdat de gebruikte wegenkaart niet alle wegen kent, zijn in landelijke

56

Model gebieden vooral de observaties met lage BC-metingen weggevallen. Dit resulteert in een onlogische waarde tijdens de spits. De gemiddelde concentratie voor alle autoritten tijdens de spits is lager dan die van de laagste categorie eronder, namelijk platteland.

7.3.2 Bus De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de bus bedraagt 6567 ng/m³ (Q3 – Q1 = 4799). Dit is gebaseerd op een set van 189 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.

Urban 12329 Peak 8435

Suburban 7479

Rural 9660

Bus 6567

Urban 6510 Off-peak + Weekend 5073

Suburban 5894 Rural 4417

Model 2

BC-concentratie bus (ng/m³)

Het bleek niet mogelijk een valide waarde te vinden voor de BC-concentratie in bussen op snelwegen. Er waren wel observaties tijdens busritten op snelwegen, maar te weinig voor een betrouwbaar model.

7.3.3 Fiets De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de fiets bedraagt 3555 ng/m³ (Q3 – Q1 = 3310). Dit is gebaseerd op een set van 1166 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.

57

Model

Urban 5130 Peak + Off-peak 3738


Bike 3555

Urban 6124 Weekend 2818

Suburban 2861

Rural 2660

Model 3

BC-concentratie fiets (ng/m³)

Hier doet zich hetzelfde probleem voor als bij autoritten in de spits. Het zijn vooral lage BC-metingen waarvoor geen passende weg is gevonden op de wegenkaart. Hierdoor is de gemiddelde waarde voor weekdagen lager dan de laagste waarde in de volgende stap (stedelijkheidsgraad).

7.3.4 Te voet De gemiddelde gemeten BC-concentratie voor alle verplaatsingen te voet bedraagt 3175 ng/m³ (Q3 – Q1 = 2771). Dit is gebaseerd op een set van 1161 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.

58

Model

Urban 3805 Peak + Off-peak 3800


On foot 3175

Urban 4314 Weekend 1886

Suburban 2562

Rural 1334

Model 4

BC-concentratie te voet (ng/m³)

Ook hier doet zich hetzelfde probleem voor als bij autoritten in de spits. Omdat het vooral lage BC-metingen zijn waarvoor geen passende weg is gevonden op de wegenkaart, is het gemiddelde voor weekdagen lager dan de laagste waarde in de volgende stap (stedelijkheidsgraad). Tevens is het onlogisch dat tijdens weekdagen de gevonden BC-concentratie in steden lager is dan in andere gebieden.

7.3.5 Tram & metro De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de tram of metro bedraagt 5066 ng/m³ (Q3 – Q1 = 4332). Dit is gebaseerd op een set van 72 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.

Light rail + Metro 5066

Model 5

Peak 6311

Off-peak + Weekend 4070

BC-concentratie tram & metro (ng/m³)

59

Model De verplaatsingen met de tram of metro zijn niet gekoppeld met de wegenkaart. Metro’s hebben bijna altijd hun eigen bedding en stoten zelf geen BC uit. Trams rijden meestal wel op een weg waar ook ander verkeer zit. Er zijn ook te weinig metingen om onderscheid te maken met meerdere categorieën of continue variabelen. De enige variabele met een significante invloed op de BC-concentratie is moment van de dag. Tijdens de spits (op weekdagen van 7 tot 10 uur en van 16 tot 19 uur) bedraagt de gemiddelde concentratie 6311 ng/m³, op andere momenten 4070 ng/m³.

7.3.6 Trein De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de trein bedraagt 2394 ng/m³ (Q3 – Q1 = 1918). Dit is gebaseerd op een set van 614 metingen.

Train 2394

Model 6

BC-concentratie trein (ng/m³)

Er is geen model gevonden voor de BC-blootstelling in treinen. Net zoals bij tram en metro, zijn ook de verplaatsingen met de trein niet gekoppeld met de wegenkaart. Het heeft ook geen zin om variabelen op te nemen zoals intensiteit of eigenschappen van de spoorweg. De meeste treinen stoten immers zelf geen BC uit. Geen enkele variabele die wel gekend is – zoals moment van de dag – toont een significant verband met de BCconcentratie.

60

Conclusie

8

Conclusie

Het doel van dit onderzoek bestond er uit de BC-blootstelling in het verkeer te voorspellen. Er zijn grote verschillen in BC-blootstelling aangetoond naargelang het moment van de dag, de stedelijkheidsgraad en het soort weg. Deze verschillen zijn vooral merkbaar bij het gemotoriseerd verkeer. Bij het langzaam verkeer zijn deze verschillen kleiner en bovendien zijn alle waarden lager dan bij het gemotoriseerd verkeer. Fietsers en voetgangers kunnen rustigere paden of zelfs verkeersvrije paden kiezen en zo verder verwijderd blijven van de bron. BC reikt niet zo ver. Op slechts 50 m van de bron is de concentratie er al nauwelijks hoger dan de achtergrondwaarde. Hoewel een sterk verband aangetoond is tussen verkeersintensiteit en BC-blootstelling, is dat voor de meeste transportmodi niet terug te vinden in het model. Enkel voor ritten met de auto is er een voldoende verklarend model gevonden met de verkeersintensiteit als één van de verklarende variabelen. Voor de andere modi wordt de hoeveelheid verkeer, en daarmee ook de BC-concentratie, benaderd door variabelen zoals het tijdstip en de stedelijkheidsgraad. Bij deze modi zijn er te weinig observaties om het model verder te verfijnen. Als modelstructuur is er gekozen voor een boom. De voorspelde waarden worden niet enkel op het einde van de takken weergegeven, maar ook bij elke vertakking. Zo hoeft de boom niet volledig doorlopen te worden om een, zij het minder nauwkeurige, voorspelling te bekomen. Omdat de gebruikte wegenkaart niet alle kleine wegen bevat, zijn er veel observaties met een lage BC-concentratie weggevallen bij de ruimtelijke analyse. Hierdoor wordt het gemiddelde in landelijke gebieden overschat. Tevens zijn de gemiddelde concentraties volgens tijdstip, vervoermiddel en verplaatsingsmotief, waarbij alle metingen gebruikt zijn,

over

het

stedelijkheidsgraad,

algemeen

lager

wegcategorie,

dan snelheid

de en

gemiddelde

concentraties

verkeersintensiteit,

volgens

waarbij

enkel

metingen gebruikt zijn waarbij de GPS-coördinaten een match vonden op de wegenkaart. De modellen zijn enkel toepasbaar voor black carbon en enkel in Vlaanderen. De gebruikte metingen vonden enkel plaats in Vlaanderen en bovendien is de samenstelling van het verkeer in België anders dan in andere landen.

61

62

Bibliografie

Bibliografie Adams, H. S., Nieuwenhuijsen, M. J., Colvile, R. N., Older, M. J., & Kendall, M. (2002). Assessment of road users’ elemental carbon personal exposure levels, London, UK. Atmospheric Environment 36, 5335-5342. Adar, S. D., Gold, D. R., Coull, B. A., Schwartz, J., Stone, P. H., & Suh, H. (2007). Focused Exposures to Airborne Traffic Particles and Heart Rate Variability in the Elderly. Epidemiology 18, 95-103. Baron, R. E., Montgomery, D. W., & Tuladhar, S. D. (2009). An Analysis of Black Carbon Mitigation as a Response to Climate Change. Frederiksberg, DK: Copenhagen Consensus Center. Baumgardner, D., Kok, G., & Raga, G. (2004). Warming of the Arctic lower stratosphere by light absorbing particles. Geophysical Research Letters 31, 6117-6120. Beekhuizen, J., Kromhout, H., Huss, A., & Vermeulen, R. (2011). Performance of GPSTracking Devices in Exposure Assessment. Utrecht, NL: Universiteit Utrecht. Bond, T. C., & Sun, H. (2005). Can reducing black carbon emissions counteract global warming? Environmental Science & Technology 39, 5921-5926. Borm, P. J., Schins, R. P., & Albrecht, C. (2004). Inhaled particles and lung cancer, Part B: Paradigms and risk assessment. Int. J. Cancer 110, 3-14. Carnegie Institution of Washington. (2011, April 14). Climate change from black carbon depends on altitude. Opgehaald van Carnegie Institution for Science: http://carnegiescience.edu/news/climate_change_black_carbon_depends_altitude Dockery, D. W., & Pope, C. A. (2006). Health Effects of Fine Particulate Air Pollution: Lines that Connect. Air & Waste Management Association 56, 709-742. Dons, E., Int Panis, L., Van Poppel, M., Theunis, J., & Wets, G. (2012). Personal exposure to Black Carbon in transport microenvironments. Atmospheric Environment 55, 392-398. Dons, E., Int Panis, L., Van Poppel, M., Theunis, J., Willems, H., Torfs, R., & Wets, G. (2011). Impact of time-activity patterns on personal exposure to black carbon. Atmospheric Environment 45, 3594-3602.

63

Bibliografie Fruin, S. A., Winer, A. M., & Rodes, C. E. (2004). Black carbon concentrations in California vehicles and estimation of in-vehicle diesel exhaust particulate matter exposures. Atmospheric Environment 38, 4123-4133. Gilmour, P. S., Ziesenis, A., Morrison, E. R., Vickers, M. A., Drost, E. M., Ford, I., . . . Donaldson, K. (2004). Pulmonary and systemic effects of short-term inhalation exposure to ultrafine carbon black particles. Toxicology and Applied Pharmacology 195, 35-44. Gulliver, J., & Briggs, D. J. (2004). Personal exposure to particulate air pollution in transport. Atmospheric Environment 38, 1-8. Gulliver, J., & Briggs, D. J. (2005). Time–space modeling of journey-time exposure traffic-related air pollution using GIS. Environmental Research 97, 10-25. Hansen, A. D., Rosen, H., & Novakov, T. (1984). The aethalometer — An instrument for the real-time measurement of optical absorption by aerosol particles. Science of The Total Environment 36, 191-196. Health Effects Institute. (2010). Traffic-Related Air Pollution: A Critical Review of the Literature on Emissions, Exposure, and Health Effects. Boston, MA: Health Effects Institute. Highwood, E. J., & Kinnersley, R. P. (2006). When smoke gets in our eyes: The multiple impacts of atmospheric black carbon on climate, air quality and health. Environment International 32, 560-566. Issarayangyun, T., & Greaves, S. (2007). Analysis of minute-by-minute exposure to fine particulates inside a car – A time-series modelling approach. Transportation Research Part D, 347-357. J. Sandradewi, A. S.-G. (2008). Study of Aerosol from Wood Burning Versus Other Sources (AEROWOOD) Using a Multiwavelength Aethalometer. In Aerosol & Atmospheric Optics: Visual Air Quality and Radiation 56. Jacobson, M. Z. (2002). Control of fossil-fuel particulate black carbon and organic matter, possibly the most effective method of slowing global warming. Journal of Geophysical Research 107, 4410-4432. Janssen, N. A., Hoek, G., Simic-Lawson, M., Fisher, P., van Bree, L., ten Brink, H., . . . Cassee, F. R. (2011). Black Carbon as an Additional Indicator of the Adverse Health Effects of Airborne Particles Compared with PM10 and PM2.5. Epidemiology 22, 1691-1699.

64

Bibliografie Janssens, D., Cools, M., Miermans, W., Declercq, K., & Wets, G. (2011). Onderzoek Verplaatsingsgedrag Vlaanderen 4.2 (2009-2010). Diepenbeek, BE: Instituut voor Mobiliteit. Jonkers, S., & Vanhove, F. (2010). CAR-Vlaanderen V2.0: Handleiding. Leuven, BE: Transport & Mobility Leuven. Knibbs, L. D., de Dear, R. J., & Atkinson, S. E. (2009). Field study of air change and flow rate in six automobiles. Indoor Air, 303–313. Koch, D., & Hansen, J. (2005). Distant origins of Arctic black carbon: A Goddard Institute for Space Studies ModelE experiment. Journal of Geophysical Research 110, 14. Kochan, B. (2011). Feathers Data. Diepenbeek, BE: Transportation Research Institute (IMOB). Kochan, B., Bellemans, T., Janssens, D., & Timmermans, H. J. (2010). Quality assessment of location data obtained by the GPS-enabled PARROTS survey tool. Journal of Location Based Services 4, 93-104. kowoma.de. (2009, April 19). Sources of Errors in GPS. Opgehaald van kowoma.de: http://www.kowoma.de/en/gps/errors.htm Kristensson, A., Johansson, C., Westerholm, R., Swietlicki, E., Gidhagen, L., Wideqvist, U., & Vesely, V. (2004). Real-world traffic emission factors of gases and particles measured in a road tunnel in Stockholm, Sweden. Atmospheric Environment 38, 657-673. Kristjánsson, J. E. (2002). Studies of the aerosol indirect effect from sulfate and black carbon aerosols. Journal of Geophysical Research 107, 4246-4264. Kupiainen, K., & Klimont, Z. (2007). Primary emissions of fine carbonaceous particles in Europe. Atmospheric Environment 41, 2156-2170. Larson, T., Henderson, S. B., & Brauer, M. (2009). Mobile Monitoring of Particle Light Absorption Coefficient in an Urban Area as a Basis for Land Use Regression. Environmental Science and Technology 43, 4672-4678. Nemmar, A., Hoylaerts, M. F., Hoet, P. H., & Nemery, B. (2004). Possible mechanisms of the cardiovascular effects of inhaled particles: systemic translocation and prothrombotic effects. Toxicology Letters 149, 243–253.

65

Bibliografie Nethery, E., Teschke, K., & Brauer, M. (2008). Predicting personal exposure of pregnant women to traffic-related air pollutants. Science of the Total Environment 395, 1122. Ostro, B., Lipsett, M., Reynolds, P., Goldberg, D., Hertz, A., Garcia, C., . . . Bernstein, L. (2010). Long-Term Exposure to Constituents of Fine Particulate Air Pollution. Environmental Health Perspectives 118, 363-369. Pakkanen, T. A., Kerminen, V.-M., Ojanen, C. H., Hillamo, R. E., Aarnio, P., & Koskentalo, T. (2000). Atmospheric black carbon in Helsinki. Atmospheric Environment 34, 1497-1506. Petzold, A., Schloesser, H., Sheridan, P. J., Arnott, W. P., Ogren, J. A., & Virkkula, A. (2005). Evaluation of Multiangle Absorption Photometry for Measuring Aerosol Light Absorption. Aerosol Science and Technology 39, 40-51. Pew Center on Global Climate Change. (2010). What is Black Carbon? Arlington, VA: Pew Center on Global Climate Change. Ramana, M. V., Ramanathan, V., Feng, Y., Yoon, S.-C., Kim, S.-W., Carmichael, G. R., & Schauer, J. J. (2010). Warming influenced by the ratio of black carbon to sulphate and the black-carbon source. Nature Geoscience 3, 542-545. Ramanathan, V., & Carmichael, G. R. (2008). Global and regional climate changes due to black carbon. Nature Geoscience 1, 221-227. U.S. Environmental Protection Agency. (2012). Report to Congress on Black Carbon. Washington, D.C.: U.S. Environmental Protection Agency. Unger, N., Bond, T. C., Wang, J. S., Koch, D. M., Menon, S., Shindell, D. T., & Bauer, S. (2010). Attribution of climate forcing to economic sectors. Proceedings of the National Academy of Sciences 107, 3382-3387. Viidanoja, J., Sillanpää, M., Laakia, J., Kerminen, V.-M., Hillamo, R., Aarnio, P., & Koskentalo, T. (2002). Organic and black carbon in PM2.5 and PM10: 1 year of data from an urban site in Helsinki, Finland. Atmospheric Environment 36, 31833193. von Klot, S., Cyrys, J., Hoek, G., Kühnel, B., Pitz, M., Kuhn, U., . . . Peters, A. (2011). Estimated Personal Soot Exposure Is Associated With Acute Myocardial Infarction Onset in a Case-Crossover Study. Progress in Cardiovascular Diseases 53, 361368.

66

Bibliografie Watson, J. G., Chow, J. C., & Chen, L.-W. A. (2005). Summary of Organic and Elemental Carbon/Black Carbon Analysis Methods and Intercomparisons. Aerosol and Air Quality Research 5, 65-102. Weingartner, E., Saathoff, H., Schnaiter, M., Streit, N., Bitnar, B., & Baltensperger, U. (2003). Absorption of light by soot particles: determination of the absorption coefficient by means of aethalometers. Journal of Aerosol Science 34, 1445-1463. Zhu, Y., Hinds, W. C., Kim, S., Shen, S., & Sioutas, C. (2002). Study of ultrafine particles near a major highway with heavy-duty diesel traffic. Atmospheric Environment 36, 4323-4335.

67

68

Bijlagen

Bijlagen Bijlage 1

Spitsfactoren CAR-model werkdag

zaterdag

zondag

av

zv

av

zv

av

zv

0u-1u

0,42

0,23

1,47

1,71

2,18

1,62

1u-2u

0,26

0,25

0,97

1,25

1,59

1,04

2u-3u

0,16

0,39

0,66

1,21

1,12

1,00

3u-4u

0,24

0,57

0,53

1,25

0,86

0,60

4u-5u

1,02

1,33

0,53

1,70

0,69

0,74

5u-6u

2,52

2,78

0,84

2,60

0,77

1,12

6u-7u

3,78

5,43

1,28

4,17

1,02

1,82

7u-8u

8,00

6,07

2,16

5,42

1,45

2,14

8u-9u

7,39

7,58

4,06

6,74

2,60

2,86

9u-10u

5,27

7,38

5,96

7,75

4,35

4,40

10u-11u

5,41

7,77

7,08

7,99

5,81

5,62

11u-12u

5,22

7,40

7,13

7,53

6,91

6,13

12u-13u

5,56

7,03

6,48

6,81

6,36

5,49

13u-14u

6,39

7,79

6,88

6,68

6,00

6,21

14u-15u

5,94

7,10

7,69

6,63

7,13

6,78

15u-16u

6,05

6,96

7,50

5,93

7,40

6,60

16u-17u

8,14

6,52

7,52

5,55

7,84

6,88

17u-18u

8,32

5,39

7,70

5,29

8,51

7,72

18u-19u

6,41

4,25

7,12

4,48

8,17

7,69

19u-20u

4,11

2,98

5,65

3,30

6,79

7,05

20u-21u

3,11

2,40

3,57

2,10

5,16

5,99

21u-22u

3,02

1,17

2,47

1,56

3,54

4,78

22u-23u

2,13

0,66

2,47

1,31

2,38

3,53

23u-24u 1,11 0,56 2,28 1,03 1,36 av = alle verkeer; zv = zwaar verkeer

2,20

69

Bijlagen

70

Bijlagen

Bijlage 2

Wegenkaart

Short description of dataset Name of dataset Type of data Accuracy/resolution dataset Completeness Coordinate system Year for which data are available Source of the data

Remarks

Attribuut Wegtype Stedelijkheidsgraad Gemiddelde snelheid LV-uurintensiteit ZV-uurintensiteit LV-dagintensiteit ZV-dagintensiteit Totale dagintensiteit

Flanders road network with linked peak hour traffic intensities Multimodaal model Vlaanderen (MMM2007) (Flemish multimodal traffic model) Vector Approximately 40% of total road length is included in this dataset, including all the main roads. No traffic is assigned to 3% of all segments. Covers whole of the Flanders (Northern Belgium) Lambert-72 (Lambert Conformal Conic) 2007 Flemish Traffic Control Centre (Vlaams Verkeerscentrum) Only evening peak hour intensities for an average workday were available. For light traffic, these were multiplied by 12.02 to obtain daily workday traffic intensity, and by 0.96 to obtain 24-h averages over entire weeks, following the Belgian CAR manual: http://www.tmleuven.be/project/car/Handleiding_CARVlaanderen_v2.0.pdf (In Dutch). For heavy traffic a similar methodology was used: peak hour intensities were multiplied by 18.55 to obtain daily traffic intensities, and by 0.80 to obtain 24-h averages over entire weeks. Total traffic is calculated as the sum of light and heavy traffic.

Omschrijving 1 = snelweg  8 = lokale weg 0 = snelweg (behalve in OVL en VLB, aangepast a.d.h.v. wegtype) 1 = grote stad / stadskern 2 = kleine stad / stadsrand 3 = platteland km/u Aantal lichte voertuigen, gemeten tijdens een spitsuur in de namiddag Aantal zware voertuigen, gemeten tijdens een spitsuur in de namiddag Metingen licht verkeer omgerekend naar een totale waarde voor een gemiddelde dag Metingen zwaar verkeer omgerekend naar een totale waarde voor een gemiddelde dag Som van licht verkeer en zwaar verkeer

71

Bijlagen

72

Bijlagen

Bijlage 3

Correlatiematrices

Auto Pearson Correlation Coefficients, N = 3837 Prob > |r| under H0: Rho=0

bc

bc

av

zv

trip_time

trip_dur

1.00000

0.13720 <.0001

0.09805 <.0001

0.11748 <.0001

0.13125 <.0001

Auto (toegedeeld) Pearson Correlation Coefficients, N = 486558 Prob > |r| under H0: Rho=0

bc

bc

Speed

snelheidav

AV_uurint

ZV_uurint

1.00000

0.07407 <.0001

0.15548 <.0001

0.35234 <.0001

0.31087 <.0001

Bus Pearson Correlation Coefficients, N = 189 Prob > |r| under H0: Rho=0

bc

bc

av

zv

trip_time

trip_dur

1.00000

0.22219 0.0021

0.21729 0.0027

0.01597 0.8274

-0.13770 0.0588

Bus (toegedeeld) Pearson Correlation Coefficients, N = 23908 Prob > |r| under H0: Rho=0

bc

bc

Speed

snelheidav

AV_uurint

ZV_uurint

1.00000

-0.08006 <.0001

-0.20193 <.0001

-0.00323 0.6177

-0.07966 <.0001

Fiets Pearson Correlation Coefficients, N = 1166 Prob > |r| under H0: Rho=0

bc

bc

av

zv

trip_time

trip_dur

1.00000

-0.05300 0.0704

-0.06236 0.0332

-0.01107 0.7057

-0.08288 0.0046

73

Bijlagen

Fiets (toegedeeld) Pearson Correlation Coefficients, N = 74851 Prob > |r| under H0: Rho=0

bc

bc

Speed

snelheidav

AV_uurint

ZV_uurint

1.00000

-0.09878 <.0001

-0.00941 0.0100

0.15719 <.0001

0.04496 <.0001

Te voet Pearson Correlation Coefficients, N = 1161 Prob > |r| under H0: Rho=0

bc

bc

av

zv

trip_time

trip_dur

1.00000

-0.20987 <.0001

-0.19821 <.0001

-0.03503 0.2330

-0.09218 0.0017

Te voet (toegedeeld) Pearson Correlation Coefficients, N = 45276 Prob > |r| under H0: Rho=0

bc

bc

Speed

snelheidav

AV_uurint

ZV_uurint

1.00000

0.02908 <.0001

-0.02478 <.0001

-0.03163 <.0001

0.02022 <.0001

Tram & metro Pearson Correlation Coefficients, N = 72 Prob > |r| under H0: Rho=0

bc

bc

av

zv

trip_time

trip_dur

1.00000

0.14649 0.2195

0.00269 0.9821

-0.10341 0.3874

-0.10894 0.3623

Trein Pearson Correlation Coefficients, N = 614 Prob > |r| under H0: Rho=0

bc

74

bc

av

zv

trip_time

trip_dur

1.00000

0.06817 0.0915

0.10504 0.0092

-0.09136 0.0236

-0.05956 0.1404

Bijlagen

Bijlage 4

Modellen

Auto Dependent Variable: bc Number of Observations Read Number of Observations Used

3837 3837

Analysis of Variance

DF

Sum of Squares

Mean Square

2 3834 3836

6058300513 1.277514E11 1.338097E11

3029150256 33320648

Root MSE Dependent Mean Coeff Var

5772.40404 6286.47139 91.82264

Source Model Error Corrected Total

R-Square Adj R-Sq

F Value

Pr > F

90.91

<.0001

0.0453 0.0448

Parameter Estimates

Variable

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

Intercept PeakP PeakW

1 1 1

5514.83176 2139.80853 -752.72422

166.15105 217.05932 252.47911

33.19 9.86 -2.98

<.0001 <.0001 0.0029

36708936797 3238220426 296165395

Bus Dependent Variable: bc Number of Observations Read Number of Observations Used

189 189


DF

Sum of Squares

Mean Square

1 187 188

527744198 6578165200 7105909399

527744198 35177354


5931.04999 6567.18872 90.31338


R-Square Adj R-Sq

F Value

Pr > F

15.00

0.0001

0.0743 0.0693

75

Bijlagen Parameter Estimates

Variable

Label

Intercept PeakP

Intercept

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

1 1

5072.58581 3362.85656

578.81121 868.21682

8.76 3.87

<.0001 0.0001

2701768309 527744198

Fiets Dependent Variable: bc Number of Observations Read Number of Observations Used

1166 1166


DF

Sum of Squares

Mean Square

1 1164 1165

157273174 21619904006 21777177180

157273174 18573801


4309.73325 3555.03751 121.22891


R-Square Adj R-Sq

F Value

Pr > F

8.47

0.0037

0.0072 0.0064

Parameter Estimates

Variable

Label

Intercept PeakW

Intercept

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

1 1

3738.07860 -919.93930

141.01878 316.14203

26.51 -2.91

<.0001 0.0037

13050998342 157273174

Te voet Dependent Variable: bc Number of Observations Read Number of Observations Used

1161 1161



76

DF

Sum of Squares

Mean Square

1 1159 1160

935233046 19301455338 20236688384

935233046 16653542

F Value

Pr > F

56.16

<.0001

Bijlagen


4080.87517 3174.73471 128.54224

R-Square Adj R-Sq

0.0462 0.0454

Parameter Estimates

Variable

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

Intercept PeakW

1 1

3799.56207 -1914.04899

145.93180 255.41502

26.04 -7.49

<.0001 <.0001

11289477467 935233046

Tram & metro Dependent Variable: bc Number of Observations Read Number of Observations Used

72 72


Source

DF

Sum of Squares

Mean Square

Model Error Corrected Total

1 70 71

89301423 371343624 460645047

89301423 5304909


2303.23879 5065.99422 45.46469

R-Square Adj R-Sq

F Value

Pr > F

16.83

0.0001

0.1939 0.1823

Parameter Estimates

Variable

Label

Intercept PeakP

Intercept

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

1 1

4069.88276 2241.25077

364.17403 546.26104

11.18 4.10

<.0001 0.0001

662557829 89301423

Trein Dependent Variable: bc Number of Observations Read Number of Observations Used

614 614


77

Bijlagen

DF

Sum of Squares

Mean Square

0 613 613

0 2812505006 2812505006

. 4588100


2141.98495 2394.20183 89.46551


R-Square Adj R-Sq

F Value

Pr > F

.

.

0.0000 0.0000

Parameter Estimates

Variable

Label

Intercept

Intercept

78

DF

Parameter Estimate

Standard Error

t Value

Pr > |t|

Type II SS

1

2394.20183

86.44348

27.70

<.0001

3519572273

Auteursrechtelijke overeenkomst Ik/wij verlenen het wereldwijde auteursrecht voor de ingediende eindverhandeling: Analyse van het verband tussen Black Carbon blootstelling tripkarakteristieken afgeleid uit GPS-logs en dagboekjes

en

Richting: master in de verkeerskunde-mobiliteitsmanagement Jaar: 2012 in alle mogelijke mediaformaten, Universiteit Hasselt.

-

bestaande

en

in

de

toekomst

te

ontwikkelen

-

,

aan

de

Niet tegenstaand deze toekenning van het auteursrecht aan de Universiteit Hasselt behoud ik als auteur het recht om de eindverhandeling, - in zijn geheel of gedeeltelijk -, vrij te reproduceren, (her)publiceren of distribueren zonder de toelating te moeten verkrijgen van de Universiteit Hasselt. Ik bevestig dat de eindverhandeling mijn origineel werk is, en dat ik het recht heb om de rechten te verlenen die in deze overeenkomst worden beschreven. Ik verklaar tevens dat de eindverhandeling, naar mijn weten, het auteursrecht van anderen niet overtreedt. Ik verklaar tevens dat ik voor het materiaal in de eindverhandeling dat beschermd wordt door het auteursrecht, de nodige toelatingen heb verkregen zodat ik deze ook aan de Universiteit Hasselt kan overdragen en dat dit duidelijk in de tekst en inhoud van de eindverhandeling werd genotificeerd. Universiteit Hasselt zal wijzigingen aanbrengen overeenkomst.

Voor akkoord,

Temmerman, Philip Datum: 28/05/2012

mij als auteur(s) van de aan de eindverhandeling,

eindverhandeling identificeren en zal uitgezonderd deze toegelaten door

geen deze

BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)

Recommend Documents